第6课：机器如何“做决定”？——从预设规则到自主决策

【学习目标】

1. 理解具身智能的决策是依据自主感知的数据动态执行指令

2. 能够通过实践活动体验从数据处理到产生决策的完整过程

3. 分析传统智能设备的预设决策与具身智能自主决策的核心差异

【情境导入】

无人驾驶汽车在行驶过程中探测到前方有行人横穿马路时，能够结合路面状况，实时计算出减速幅度和避让路径；智能农业机器人通过采集的土壤湿度、环境温度、作物长势等数据，自主决定灌溉时长和灌溉量。这些具身智能设备之所以能够灵活应变，源于其背后的决策机制——把传感器采集的环境数据，转化为精准的执行指令。

【知识大揭秘】

概念引入：决策——从数据到指令的“翻译官”

决策是具身智能实现自主行动的重要环节，它的作用是将感知到的环境数据“翻译”成可执行的动作指令。传统智能设备的决策建立在预设规则基础上，其主要逻辑是“感知—动作”的匹配关系，无法进行自主优化。具身智能的决策则依赖实时感知数据和自主优化执行策略，能根据环境变化动态调整决策逻辑。

深度解析：两种决策的三大差异

案例时间：智能物流分拣机器人的“智慧之手”

知识小结：决策的进化之路

【AI看图学】

【动手练一练】

活动：多模态传感器协同控制设备决策

活动目标：通过实践活动深化对本课知识的理解，培养动手能力和分析思维

步骤：

1. 将温湿度传感器、风扇、土壤湿度传感器连接到智能终端板

2. 烧录预设程序，设定决策规则（如温度>30℃时启动风扇）

3. 在四种不同场景中采集数据并观察设备决策

4. 分析预设决策规则的局限性，讨论具身智能如何突破这些局限

工具/平台：智能终端板、温湿度传感器、风扇、土壤湿度传感器、数据线

预期成果：实践记录表，包含四种场景下的数据和决策结果，以及对预设决策局限性的分析

【想一想·辨一辨】

1. 如果你是一台智能冰箱，你会基于哪些数据来决定“是否需要制冷”？你的决策规则会是固定的还是动态的？

2. 强化学习中的“奖励”机制和人类学习中的“表扬”有什么相似之处？

【拓展阅读·前沿视窗】

了解强化学习的基本原理，它是具身智能自主决策的核心技术之一。想一想：游戏中的AI对手是如何通过“试错”学会策略的？算法工程师是设计具身智能决策算法的核心职业。