WARNING本文可能过于局限和情绪化，不宜参考。
今天，我提交了博士论文。 过程出奇地平静，没有我想象中的那种“解放”或者“喜悦”。 更多的是一种放下的感觉，像是完成了一段必要的探索，终于抵达下一阶段的起点。
这几年，我主要做软体或者小型机器人，主要目的是利用材料驱动的机器人智能。 用各种材料、光、热、磁、化学反应去让东西自己动起来。 手工制作、实验验证、反复试错……那是一段充满探索与想象又同时非常枯燥的时期。 录像的时候，看到一个薄膜能折叠成形，一个凝胶能自己膨胀，特别是当这种“机器人”真的能够实现我们的期待的时候（就算那只是非常简单的行为），还是很能给人带来惊喜的。
这种研究方向确实令人着迷，也代表着机器人研究中最具创造力、最自由的一面，同时它们也可以很好看、好演示、也能发文章。 这种小型机器人依赖材料本身的特性去实现某种响应。它们可以在特定条件下完成任务，但往往缺乏可扩展的结构、可调的逻辑与可验证的稳定性。 看过太多有趣的文章，论文章的完成度或者设计的精妙度，那确实没得说，但往往缺乏可扩展性（可扩展的可能性描述往往出现在Discussion中），并且从此没有了后文。 尽管业界已经有人在尝试定义“物理智能”，取决于个体对智能的理解，基于材料驱动的机器人更多展现的是“行为”，而非一个具备理解目标、调整策略能力的决策系统。 有时，它们只是某种物理/化学过程的延伸。 而我开始觉得，这种“物理智能”，与我心中对智能系统的定义相距甚远。
我并不是否定创造力，也不是否定基于材料的机器人作为研究载体的意义。 我真心尊重还在那条路上探索的人。他们相信智能可以从材料和形态里涌现，这本身也是一种信念。 另外在某些应用场景下，材料驱动的自动化方案或许正是最优解。 当然，我在毕业论文中也是站在这一方，阐述具身智能不必总是靠电路与算法，数据与训练，它也可以在物质层面萌芽。 但对我来说，我更希望看到更加系统性的机器人。 我更喜欢结构化的世界，喜欢用方程、控制律、数据和算法去理解智能。 我相信智能不只是形态的变化，更是信息之间的传递。 也许，我想做的不是一个聪明的设计，而是一整套相互协作的系统，一些真正能让我的技术得到用武之处的系统。
回顾自己的青春，我曾对控制理论充满热情，热爱去研究控制、建模、优化、决策、学习， 去面对噪声、延迟、反馈、稳定性这些“乏味但真实”的问题。 那时AI还远没有今天这么疯狂。 机器学习不过是几层MLP，数据集小得可怜。 我们当时讨论“智能控制”，讨论的是自适应、群算法、状态观测器、Lyapunov函数， 那种智能是严谨的、可推导的。 而现在，AI变得巨大、复杂，甚至有点神秘。 但在初步了解了一些大模型的建模后，这更让我感到兴奋， 原来其实本质上并没有变，其数学还是那么的美丽。
或许从今天开始，重新出发， 回到这片由美丽的数学所构建的坚实的地基上，去直面那些复杂、抽象且需要冷静推导的系统性挑战。
就这样。
部分信息可能已经过时