林宇举着那条断腿，对着全班学生，语气平静得像在说今天天气不错。
“材料是从学院仓库里顺手拿的，做得比较粗糙。”
教室里的紧张气氛瞬间被这句话冲散了。
有几个学生忍不住，“噗嗤”一声笑了出来。
但没人敢笑得太大声，所有人都瞪大眼睛看着他。
林宇把断掉的机器腿搁在讲桌上，用手指捏了捏断裂处的金属接口。
材料太薄了，是仓库里翻出来的铝合金废料，截面只有两毫米，跑了不到十分钟就扛不住反复的弯折应力。
他在黑板上补了一行字。
“机械结构强度不足——材料学与力学的交叉问题。”
然后他转过身来，把断腿举起来给全班看。
“这个地方断了，原因很简单。铝合金的疲劳极限大约在80到120兆帕之间，反复弯折十几次就开裂了。
换成钛合金或者碳纤维复合材料，寿命至少翻五倍。
但那些材料我买不起，所以你们看到了——最先进的AI装在最廉价的壳子里，结果就是走两步腿断了。”
教室里爆发出一阵善意的笑声。
这是那种带着心疼和佩服的笑。
一个大学讲师用仓库废料攒了一只机器狗，然后在三百多人面前把它跑断了腿。
太穷了。
但也太牛了。
林宇把断腿放回桌上，拿起粉笔，在黑板上一边画图一边开始讲解机器狗的AI逻辑。
他从最核心的部分讲起。
“你们刚才看到它找到我之后跳了一下。”林宇在黑板上画了一个状态机的示意图，“很多人第一反应是‘它有感情了’。错。它没有感情。它有的是一组预训练的行为数据。”
他在状态机的几个节点旁边标注了标签：搜索、接近、确认、反馈。
“我在训练它的时候，给它喂了一批真实的狗狗行为视频数据。
大概两百多段短视频，全是家养犬看到主人时的反应——跑过去、摇尾巴、原地打转、前腿扑。
这些行为被拆解成关节角度变化的时间序列，用强化学习的框架让机器狗模仿。”
他在黑板上写下了强化学习的基本公式：Q(s,a)=R+γ·maxQ(s',a')。
“翻译成人话就是：它做了一个动作，如果这个动作让它更接近目标，就给一个正奖励。
如果偏了，给负奖励。
反复训练之后，它自动学会了一条最优路径——先扫全场，锁定目标之后走过去，走到面前之后执行预设的
本章未完，请点击下一页继续阅读！