物理嵌入的神经网络主要包括物理信息神经网络（PINN）HIBL算子与物理嵌入光学神经网络可微分物理建模和物理嵌入的混合神经网络。这些方法通过将物理定律或科学原理嵌入到神经网络中，提升了模型的准确性、可解释性和泛化能力，广泛应用于流体力学、固体力学、机器人控制、化学动力学等领域。

常微分方程（ODE）是描述系统状态随时间变化的核心工具，广泛应用于科学和工程领域。其数值求解方法（如欧拉法、龙格-库塔法）为复杂系统的建模提供了有效手段。在液态神经网络（LNN）中，ODE 被用于模拟神经元的连续时间演化，使得模型能够处理非均匀时间序列数据并实现动态适应性。理解 ODE 的原理和应用，对于掌握现代科学计算和深度学习技术至关重要。

可以从仿生多感知系统中看到，机器人真正需要的不是更多孤立传感器，而是把视觉、触觉、听觉、嗅觉和味觉转成可通信、可记忆的脉冲表示，再通过忆阻器和神经网络建立跨感官关联。系统能让触觉重建字母图像，也能从声音联想到外观、气味和味道，甚至组合出未直接见过的“蓝色苹果”。它离开放世界感知仍有距离，却展示了从感知到想象的工程路径。

我越来越相信，自动驾驶感知不能建立在“传感器永不失效”的假设上。Uni-Map 用一个模型兼容相机、激光雷达和融合输入，通过共享 BEV 表示与混合训练，让系统在缺帧、雷达异常甚至单传感器缺失时仍能构建道路地图。面对相机缺失，它将 mAP 从 22.5 提升到 61.2。对我而言，真正的智能不是晴天分数更高，而是在信息不完整时依然看得清路。

AI进入团队，带来的不只是能力增益，也可能改变人的警觉、交流和协作方式。即使“AI队友”实际由高水平人类操控，只要参与者相信它是 AI，团队表现仍会下降；任务越难，差距越明显。对我而言，下一代 AI agent 的关键不是证明自己多聪明，而是让人类更容易形成共同预期、保持适度唤醒，并继续彼此沟通。

人形机器人下一步不只是更会走、更会搬，而是要把人的身体负担纳入自身设计。ergoCub 将人体工效指标、机器人形态优化和物理智能控制结合起来，在协作搬运中监测 L5-S1 腰背压力，并提升步行能力。它让我看到，人形机器人真正走向实际协作，必须从“像人”转向“懂人”。

多机器人系统的难点不在单臂运动，而在群体协同。RoboBallet 把机器人、任务和障碍物表示成图，用 GNN 与强化学习联合生成多机械臂速度指令。它在 8 个机器人、40 个任务场景中实现快速避碰规划，并展现出在线重规划和柔性制造潜力。

AI 提速省电不能只靠模型压缩，硬件也要参与学习。钙钛矿量子点突触阵列能同时输出电流 PSC 和发光 PSEL，让分类、回归、图像重建等任务共享训练路径。它最多减少 47.09% 训练轮次，并显著降低能耗，展示了多任务 AI 硬件的新方向。

数学学习障碍不只是分数落后，而是学习路径和神经表征的差异。pDNN 数字孪生把儿童行为与脑成像连接起来，显示高神经兴奋性会拖慢学习、削弱加减法表征分化。额外训练能追上行为表现，但内部表征未必完全恢复，干预要更个性化。

AI 硬件正在从“只负责推理”走向“能在物理器件里学习”。progressive gradient descent 用逐层原位更新绕开中间梯度存储，让前向信号和误差信号在交叉阵列中相遇并直接改写 EC-RAM 电导权重。XOR 硬件网络第 6 个 epoch 达到 100% 准确率，说明多层硬件训练路径可行，但规模化仍受学习率、器件噪声、偏置和电路工程约束。