# Atlas On a Roll — 问答批注（逐条编号追加，不覆盖）

| 项 | 值 |
|---|---|
| 对应原文 | [`../sources/2026-11-10-atlas-on-a-roll-source.md`](../sources/2026-11-10-atlas-on-a-roll-source.md) |
| 对应译文 | [`2026-11-10-atlas-on-a-roll-zh.md`](2026-11-10-atlas-on-a-roll-zh.md) |
| 单词 / 生句表 | [`2026-11-10-atlas-on-a-roll-words.md`](2026-11-10-atlas-on-a-roll-words.md) |
| 配套图解页 | `C:\Users\zkhap\WorkBuddy\2026-11-05-16-42-38\atlas-on-a-roll.html`（首轮）、`atlas-followup.html`（本轮追问） |
| 约定 | 资料相关问答一律入库：提问原话 + 回答逐条编号追加，不覆盖、不删改（侃姐 2026-11-09 强调） |

---

## #1 · 2026-11-10（首轮）

**提问原话**：
> Atlas team，你来帮我介绍一下波士顿机器人里面的 Atlas 团队。他们做了一个轮式的产品，把 motor 和人形结合在一起，好像还挺有意思的，https://bostondynamics.com/blog/atlas-on-a-roll/

**回答要点**：

1. 官方原文第一句就否掉"产品"：*"A wheeled Atlas isn't a product. It's a research testbed."* 没有型号、不卖、不开产品线，结论已回流到标准双足 Atlas。
2. "把 motor 和人形结合"是错位：2024 年后的 Atlas 本来就是全电驱、全身旋转执行器（量产版 56 自由度），不存在"把电机装进人形"这一步。这次只把两只脚换成现成滑板车轮圈，用唯一一个定制适配器装在原有脚踝执行器上；软件里把轮子建模成"能无限旋转的脚踝"。副标题的 motor 指「经典电机控制」这一层，要桥接的是它和「全身 RL」之间的缝。
3. 项目主语不是轮子，是**执行器和它的仿真模型**。轮子是"加载机"：走路只在短暂瞬间用力，轮子每次起步/转向/刹停把电机扫过整个扭矩-转速范围，全程带真实负载。测的是电机跑到包络边缘时，仿真训出来的控制器还忠不忠实。
4. 团队：署名作者 Xiaoyu (Andy) Wu（Atlas 控制工程师，十多年电机与功率电子背景，首次真正做 RL）；致谢 Josh Geating（适配器）、Robin Deits / Shane Rozen-Levy / Roberto Shu（RL 栈）、技师 Mark Loughlin / Peter Jardin、Google DeepMind 的 Yuval Tassa 与 MuJoCo 团队。**仿真引擎是外部的，电机模型是自己的**——资产边界在这句里。上层：Alberto Rodriguez 是 Atlas Director of Robot Behavior，Zack Jackowski 是 Chief Product & Technology Officer。
5. 官方警告原文：*"If the simulation used for training assumes the motors are over-idealized, the policy can end up learning things the real hardware can't actually do."* 那些"不光鲜但重要"的活是逐套核对底层控制参数、真机特性实验、把实测曲线调回仿真、判断哪些近似会被策略钻空子。**仿真不是越多越好，是越像越好。**
6. 瓶颈不在任何单层：*"the robot's limits usually lived in the space between them"*。这补上了 11-06 频率分层表没讲完的半截——那张表答"谁管哪层"，这篇答"层与层之间谁负责对齐"。
7. 轮式确实是真产品路线，只是 BD 不走：Hexagon AEON、Apptronik Apollo 2 把轮子当产品卖；Agility 的 Hurst 说 Digit 大概不加轮。判断（非官方）：BD 不卖轮式，因为双足动态全身控制是它最值钱的资产，换轮子等于抹掉最难的问题。
8. 接回 11-05 学习地图：「做很多虚拟环境让它在里面训练」的工业界答案是——仿真量不是关键，模型与真机对齐才是。与 11-07「数据是模型的副产品」合看，闭环里最贵的既不是数据也不是算力，是**模型与真机的对齐**，正对 foundation 层的「验证资产 / 数据治理」。
9. 第三方报道 Hyundai Mobis 拿下 Atlas 执行器订单、2026-11 做原型、2028 供货。换了执行器特性，这套花力气标定的电机模型就得重做——验证资产绑在硬件版本上，不是一次建好永久复用（第三方 + 推论，已标）。

---

## #2 · 2026-11-10（追问）

**提问原话**：
> 2024 年后的 Atlas 本来就是全电驱、全身旋转执行器？这句话怎么理解啊？

**回答要点**：那句把 3 个概念压成一行，拆开是：① **执行器 actuator** = 每个关节里"让轴转起来"的那套东西（电机 + 减速器 + 驱动器 + 位置传感器），产线上对应伺服轴；占整机 BOM 约 47–51%（行业分析口径）。② **全电驱** = 不用液压油：2024-04-17 前老 Atlas 靠泵把高压油打进 28 个液压缸，力气大但吵、重、漏油、维护重、近人危险；改全电的官方理由是降复杂度/更安静/能效好，真实目标是可部署、可维护、可信任。③ **旋转执行器** = 输出"转"而非"推"（对比直线执行器/电动推杆）；Atlas 很多关节能连续 360° 转，腰髋头不受人体角度限制，能上半身原地拧过去够到背后，省节拍。④ **自由度 DoF** = 能独立下指令的"轴"有几根：量产 Atlas 56、老液压 28、G1 基础 23。数字大只是旋钮多，不是更聪明。

---

## #3 · 2026-11-10（追问）

**提问原话**：
> 那它跟 Figure 出的 Figure 3，或者是宇树科技的 G1，这些有什么区别呢？

**回答要点**：三台现在全是电驱，硬件路线没有"谁更先进"的分水岭，差别在**卖给谁、卖什么、闭环归谁**。Atlas（BD）：1.9m/90kg、56 DoF、30kg 持续负载、约 4h、自换电池、不零售不报价，2026 产能全给 Hyundai + Google DeepMind，卖工业装备 + Orbit 车队软件，2028 才进现代工厂。Figure 03：约 1.73m/61kg、20kg、5h、脚底无线充电，约 25 个电动执行器，自家做执行器/BotQ 工厂/Helix 全栈（S0 全身控制、S1 视觉动作、S2 语义），目标家庭通用，Helix 02 于 2026-01-27、2.5 于 2026-09-17（30 个未见家庭三项家务全任务约 56%，公司自评）。Unitree G1：1.32m/35kg、23 DoF（EDU 23–43）、单臂 2–3kg、约 2h、**$13.5K 起**，低惯量内转子 PMSM，支持 SDK/ROS2/二次开发，卖可买可拆的开发平台。一个巧合：三家最底层全身控制现在都是 RL 训的（Figure S0 称替换 109,504 行 C++，用 1000+ 小时人体动作 + 20 万并行仿真环境）。

---

## #4 · 2026-11-10（追问）

**提问原话**：
> 然后你说到全身强化学习，这个跟一般的强化学习有什么区别呢？

**回答要点**：**算法没变，问题形状变了**。一般 RL = 试错 + 奖励，一次只决定少数几个动作（如夹爪开合、单腿步态），奖励好写、仿真差一点真机还能凑合。全身 RL = 一次同时决定全身几十个关节各出多大力（动作空间从个位数跳到 56 维），强耦合（手往前伸重心就前移、脚必须同时补），奖励要同时摆平"别摔 + 够到 + 踩稳 + 省电 + 动作别怪"，仿真电机模型差一点策略立刻学出真机做不到的动作。BD 用的还是现成策略框架，只改三处：奖励组成、训练指令范围、保持姿态的方式。用产线讲：一般 RL ≈ 优化一台设备参数；全身 RL ≈ 同时优化整条线且一台动会影响另一台，是排产级问题。接回 11-06 分层表：RL 策略是中间层，输出目标姿态/关节指令，底层仍有电机控制环，不直接给电流。补充辨析：控制更多关节 ≠ 真正的全身智能；高层给全身参考、低层照着跟只是"跟踪"，策略自己发现能用肩膀顶、靠体重后仰借力才算把身体当求解资源。

---

## #5 · 2026-11-10（追问）

**提问原话**：
> 什么叫做包络性能？包络边缘？

**回答要点**：电机不是"标一个功率"能概括的——低速能憋大力、转快了力气掉；短时能超常、久了一发热就降额。把转速放横轴、扭矩放纵轴，把"所有能保证做到的组合"画出来，那块区域的外框就是**性能包络 performance envelope**；贴着这条线跑叫**包络边缘**。类似设备的工艺窗口（温度×压力），窗口外不是"慢一点"而是报警/报废。曲线形状由三条限制决定：连续扭矩受发热（铜损→绕组温度）、峰值扭矩受电流上限与磁钢退磁（只能短时 10–30 秒）、高速端受母线电压与反电动势（转越快能给的电流越小）。为什么重要：区域内部模型差 10% 无所谓，一到边缘就等于"以为能做到、实际做不到"；策略会钻空子，凡仿真里留了假能力，训练时一定去用（用了得分更高），真机上就崩。轮子的作用正是把电机从低速大扭矩一路扫到高速小扭矩、全程带真实负载，逼到边缘。配套可交互扭矩-转速图在 `atlas-followup.html` 第 04 节（教学示意曲线，非真机实测，不能用于选型）。

---

## #6 · 2026-11-10（追问）

**提问原话**：
> 对，我又看到这个 MuJoCo，我好像哪一天问过一个问题，就是它是不是不需要 GPU？但我忘了你是怎么回答的了。

**回答要点**：**先认：历史对话检索没翻到那次问答**（返回的两条是 Seeed 机械臂选型、AI content 建库），所以不假装复述"当时答了什么"，给的是 2026-11-10 重新核过的答案。分三层：① 跑单个 MuJoCo 仿真 → **不要 GPU**，它是 C 写的物理引擎（算"这个关节出这个力，下一刻身体在哪"），CPU 很快，适合教学/原型/普通笔记本；② 并行几千个环境做 RL → **要**，官方给 MJX（JAX）与 MuJoCo Warp 跑 GPU/TPU，CPU 版只能多进程凑，吞吐差得远；③ 训练神经网络本身 → **要**，不管用哪个仿真器。准确说法是"不要求 GPU 也能跑"，**不等于**"不需要 GPU 也能训出全身 RL 策略"。对照 Isaac Sim：照片级渲染 + GPU 并行物理，官方最低 RTX 4080 16GB 且要 RT Core（A100/H100 因无 RT Core 被排除），本机 Intel Arc 集显跑不了。MuJoCo 现由 Google DeepMind 维护、Apache 2.0 开源，而 DeepMind 同时是 Gemini Robotics 合作方、MuJoCo 提供方、首批 Atlas 接收方、前 BD CTO/研究 VP 的去向——致谢 MuJoCo 团队不是随便引外部库。

---

## #7 · 2026-11-10（追问）

**提问原话**：
> 还有你说的这个组织怎么变，我就没看懂：谁退休了，又去了哪里？研究机构往量产公司换血，这个你仔细再讲一下？

**回答要点**：按时间摆开——1992 从 MIT 分出（DARPA 研究基因），2013 Google / 2017 软银 / 2021 现代 80%（约 11 亿美元估值）/ 2026-07 现代全资；2020 创始人 Marc Raibert 卸任 CEO（"商业化不是我的强项，我更擅长梦想和长期研究"），后办 RAI Institute，Robert Playter 接任；2024-04 全电 Atlas，年底裁约 5%；**2025-11 CTO Aaron Saunders → Google DeepMind**；**2026-01 研究 VP Scott Kuindersma → Google DeepMind**（同月 CES 发布量产 Atlas + Gemini Robotics 合作）；**2026-02-27 CEO Robert Playter 卸任**（在公司 30 年、当 CEO 6 年），CFO Amanda McMaster 临时接 7 个月，同期 COO Selma Svendsen、CSO Marc Theermann 也走；**2026-10-07 Rohit Prasad 上任 CEO，30 多年来第一位外聘 CEO**（Amazon 12 年，Alexa 做到数亿家庭、后负责 AGI 与 Nova 基础模型；此前 14 年 Raytheon BBN），官方关键词 Physical AI / productize / at scale。背景：亏损 2022 年 2551 亿韩元 → 2024 年 4405 亿韩元（Hyundai Glovis 披露，经 36氪 转述）。**"换血"的准确含义：技术路线没换，评判标准换了**——研究型 KPI 是"做到别人做不到的"，量产型 KPI 是"稳定、低成本、可维护地天天干活并形成收入"；换掉的是决定什么算成功的人。对培训的用法：这是"AI 从试点转生产时组织要怎么变"的现成案例，卡住的不是模型能不能跑通，是组织、供应链、验收口径、维护责任。推论（已标）：研究能力往模型侧转移、硬件公司专注产品交付。

---

## #8 · 2026-11-10（追问）

**提问原话**：
> BD 不卖轮式，谁是bd？为什么？

**回答要点**：**BD 就是 Boston Dynamics（波士顿动力）的首字母缩写**，没有第二家公司；上一页直接写缩写没交代是表述问题。官方只说 "A wheeled Atlas isn't a product. It's a research testbed." 且结论回流标准双足配置，**没解释商业原因**。四条推论（已标）：① 最值钱资产是双足动态全身控制，装轮子把平衡问题抹掉等于自废护城河；② 现代工厂是给人设计的环境（台阶、窄通道、跨越），轮式反而要改造现场；③ 2026 产能已全给 Hyundai + DeepMind、2028 才进厂，开第二条线要重做认证/供应链/备件/维护，不划算；④ 对照组事实：Hexagon AEON、Apptronik Apollo 2 把轮式当产品卖（没有"双足控制是核心资产"的包袱），Agility 的 Hurst 说 Digit 大概不加轮。收口：轮子更快更稳更省电，但把差异化也削掉了；BD 卖的恰恰是"不用轮子也能不摔"。

---

## #9 · 2026-11-10（追问）

**提问原话**：
> 你收到那个 articles 吧？我觉得这个挺重要的。

**回答要点**：按 11-08 定的分卷结构新建 `D:\AI content\articles\` 类（总索引里原写"待建"），本材料单独一卷 `2026-11-10-atlas-on-a-roll\`，内含 `sources\`（官方英文原文 + URL + 抓取日期）、`notes\`（全文译文 / 本批注 / 单词生句表 / 入库 payload）。同时更新 `D:\AI content\INDEX.md`：articles 行改为已建，并在跨材料关联累积区补一条。

---

## #10 · 2026-11-10（追问）

**提问原话**：
> 再一个就是我发现里面仍然有很多英文单词，那你还是丢给外语积累助手，用 language daily 把它都放到我的生词和生句记录本里

**回答要点**：按 11-09 补的约定，`-words.md` 只是可读副本，终点是 **Language Daily 的 en 库**：把词条与生句转成 JSON payload（存本卷 `notes\`），用 `D:\AI Coding\Language Daily\scripts\ingest_list.py` 提交；**不**改去写 `english-daily` 的 markdown 词库、不自行扩表。已知配置坑（未改 `.env`）：`LANGUAGE_DAILY_BASE_URL` 写 8091、服务实际在 8090，`INGEST_OWNER_PHONE` 为空；本次用临时环境变量 `LANGUAGE_DAILY_BASE_URL=http://127.0.0.1:8090` + `LANGUAGE_DAILY_PHONE` 绕过，脚本与 `.env` 均未改。选词范围限定为「本轮材料真实出现过的英文」：官方原文术语 + 前八页回答里反复出现的英文词，每条带原文语境短句。**结果**：62 生词 + 11 生句提交，脚本返回「生词 62 · 句子 11」；只读核对数据库后确认当天实际新增 59 行生词 + 11 行生句，`actuator` / `hydraulic` / `from scratch` 3 条被同库去重（返回旧记录不新增行）——与 11-09 Jeff Dean 那批 82→79+3 同一机制。

---

## 跨材料关联（写在这里，同时抄一条到总索引）

- ↔ `2026-11-07` 数据飞轮：那页结论是「数据是模型的副产品，闭环完整度 = 有多少道移交点」；这篇给出另一半——**闭环里最贵的既不是数据也不是算力，是模型与真机的对齐**。
- ↔ `2026-11-09` NEURA / TUM RoboGym：企业保留数据与技能控制权，卖的是训练场会员 + 工具链；与 BD 的「仿真引擎外部、电机模型自己」是同一种资产边界判断。
- ↔ FDE 路线图 foundation 层：验证资产 / 数据治理 / 语义层。执行器换型号 → 电机模型要重标 → 验证资产绑硬件版本。
- ↔ `2026-11-05` 机器人学习地图 E0/E1：MuJoCo 可在 CPU 跑通原型，是"不花钱不装东西"那条路的落点。