人形机器人跑赢了博尔特，DeepMind却说它还停在GPT-2时代

今年夏天，中国办了场机器人奥运会。人形机器人在跑道上跑出了超过人类百米世界纪录（9秒58）的速度，有的机器人跑着跑着还冒了火，视频传遍全网。Keerthana Gopalakrishnan 在印度的朋友，一群搞学生运动的大学生，都在转发：看，中国造出了跑得比最快人类还快的机器人。

Keerthana 是谷歌 DeepMind 资深研究科学家，Gemini Robotics 的研究负责人。这是她第四次上 Nathan Labenz 的播客《Cognitive Revolution》，一年一面，专聊机器人进展。Nathan 开场就搬出《AI 2027》那份预测：人形机器人 2027 年年中变得有用，2028 年形成「机器人经济」，机器人建造机器人工厂，指数增长起飞。现实研究离这个剧本有多远？这期节目是一次很好的校准。

Keerthana 自己的反应很能说明问题：她爸跑来问她那些跑步视频，她自己的评价是，从研究角度看一点都不意外。跑步速度根本不在机器人「有没有用」的瓶颈清单上。

「我是一个生产力很高的人，我朋友也都事业有成，但我们谁也跑不过博尔特。」

下面挑这期节目里最有信息量的部分说。

跑步冠军为什么不是重点

机器人领域分两大块：移动（locomotion）和操控（manipulation）。移动恰恰是最容易用仿真训练的那类任务。

原因在物理。跑道是平的，脚和地面的接触可以建模，机器人可以在仿真里练上百万次再搬上真机。Nathan 注意到一个细节：比赛里有机器人撞墙摔得粉碎，说明平时不可能这么练，真机损耗太快，背后必然是海量仿真。

操控就难多了。Keerthana 说，操控的核心是接触：接触何时发生、物体如何反应，现在的仿真器在这里开始掉链子。叠衣服难，因为布料有摩擦；抓取放置相对好办，因为接触动力学还算可预测。物体越硬、形变越少，仿真越好用；物理越难建模，仿真越帮不上忙。

所以她的结论是，跑步比赛展示了双足移动的最高水平，是很好的公众参照物，甚至可能有国防用途，但她的团队盯的是另一头：让机器人在物理世界里帮人干有用的事。

机器人还停在GPT-2时代

整期节目最核心的判断在这里。Nathan 问：如果用 GPT 的阶段类比，机器人走到哪了？她的答案和前几年一致：还是 GPT-2。

理由有两条。

第一条，few-shot（少样本）学习要在大量不同任务上真正好用，才算摸到 GPT-3 的门槛。最近网上很多演示，人类示范一次，机器人就学会。Keerthana 把这类结果放进一个更冷静的框架：示范一次，本质上就是把提示词从文本换成了视频。以前用语言提示「拿起那个物体」，后来用图像提示「圈出这个东西」，现在用视频提示「照我这样做」。真正的问题是模型在照抄还是在泛化：换个场景还行不行？能不能看完示范就学会系垃圾袋？她的态度是，还很早。

第二条更根本：跨本体（cross-embodiment）。「如果这个大脑只在你自己的机器人、你自己的环境里好使，它算通用大脑吗？」她拿语言模型对比：GPT 没有身体问题，我的手机、你的电脑，Mac 还是 Linux，跑起来行为一致。机器人不行，换个身体可能就完全抓瞎。语言模型天生没有「身体」这个变量，机器人的一切都卡在这个变量上。

不过她也不悲观，还给了个内部时间线：两年前他们刚开始做人形机器人，让机器人抓个苹果都费劲。今年发布的 Gemini Robotics 2 已经能做全身操控：能迈步、能蹲下、蹲着还能操作物体，同时泛化到没见过的东西。她发了条推，视频里机器人蹲在不同位置去捡一个洒水壶。「一年前你告诉我现在能做到这些，我会有点惊讶。」这是研究者被自己的进度惊到的原话。

关于路线，她给了一个清楚的框架：泛化和专精接近两个正交的轴。把某个窄任务做到极致，做第 n 个任务的成本和第一个一样高；先建通用基线再快速调到专精，成本低得多。LLM 走过这条路，早期是各干各的专用模型，现在是 GPT 和 Gemini 这种通才打底再往上爬。她赌机器人也走这条路。通用性是涨潮，抬起所有船。按她的说法，大量抓取放置任务已经接近可部署的水平。

一个大脑，任何身体：三层架构

这期标题里的「One Brain, Any Body」对应 Gemini Robotics 2 的三个模型：

• Gemini Robotics ER 2（具身推理）：机器人的「系统二」，借卡尼曼快与慢的说法，基于 Gemini 3.5 Flash 微调，负责看懂场景、读仪表、指认物体、做规划。它开放 API，开发者可以像给数字 agent 定义工具一样，给它定义机器人能做的动作。
• Gemini Robotics 2：VLA 模型，即视觉语言动作模型，把高层意图翻译成机器人动作，这次做到了全身控制，从指尖到脚趾，覆盖多种本体。目前只对可信测试者开放，DeepMind 在和 Apptronik、Agile Robots、Boston Dynamics 这些伙伴一起打磨。
• Gemini Robotics On-Device 2：前者的缩小版，装进机器人本体的计算机，不依赖云端，适合网络条件差的分布式部署。

Nathan 亲自做了实验。他让一个 coding agent 调 ER 2 的 API，在浏览器里搭了个 2D 画布 demo，定义 grab_at 和 place_at 两个工具，喂一张场景图，让模型自己挑抓取和放置的坐标。把香蕉放到盘子、物体被提前挪走后重试，都跑通了，他的评价是「易用得惊人」。ER 2 是三个模型里唯一开放 API 的，Keerthana 解释：它离 Gemini 本体最近，最成熟；动作模型还在前沿，怎么服务、怎么保证有用，研究还没做完。开放之后确实有惊喜，AI Studio 上的使用规模远超可信测试阶段，学术界拿它做 benchmark，等于给团队免费送了一份「模型哪里不行」的报告。她还提到 Boston Dynamics 的 Spot 机器狗用它读仪表、发零食。

ER 2 指挥 VLA 的方式叫「可操控性」（steerability），现在能用语言、能用手指点、能用视频示范，接口以后会越来越富。Nathan 把 ER 2 和原版 Flash 放在一起测了简单任务，表现差不多；Keerthana 说 ER 2 重点追的是读仪表、指认物体这类具身基准，而且它和 Gemini 主线是协作关系，数据会上游回流。

但 Nathan 也量到了延迟：从提示「把香蕉放到盘子上」到模型发出工具调用，有时要 6 秒。现实世界里 6 秒很长。

Keerthana 的回应是分场景：流水线上不能磨蹭；家里让它叠衣服，「我不在乎它叠多快，我在乎它叠得多好，我可以等」。她预计机器人也会出现 Flash 和 Pro 的分层，甚至 on-device 层，不同规模服务不同应用。Nathan 顺着追问出一个有意思的反转：照这个逻辑，机器人可能进不了工厂，却可以先干家务，反正你睡觉时它慢慢干。Keerthana 维持商业场景先行的判断，工厂仓库可控、有专人维护，家庭环境复杂还有幼儿，安全门槛高得多，但她承认速度上确实可能出现这种倒挂。

还有两个实用数字。ER 2 的 128K 上下文，按较密的编码方式，大约等于 3 分钟的机器人记忆，想做更长的任务就得做上下文工程。她的建议：别什么都存图像，图像密度高但贵，文本摘要压缩率高。她拿做饭打比方：翻鸡蛋那一刻的画面值得存，其余过程用文字记流水账就够，管理记忆像管理内存，留下最关键的信息。另一个数字在 on-device 模型上：200 个样本，就能让模型在一堆不同本体上学会一堆不同任务，前提是底座已经懂物理世界、懂怎么控制各种身体。

煎鸡蛋难题：错误会复利

Nathan 问了个生活化的问题：让机器人去煎个蛋，它能走多远？

Keerthana 的回答分几层。有数据就能可靠，针对煎蛋一个任务，专门的算法能做到很稳。通用模型直接进你家，视觉泛化这两年进步很大，光线、家具布局已经不会让它分神。卡住的是任务语义和容错空间：蛋煎老了没人爱吃，煎蛋这种任务的容错窗口非常窄。

她给了一个很好用的判据：允许重试的任务容易，不允许的任务难。拼乐高错了可以拆了重来；鸡蛋磕碎在地上，就是一地狼藉，可能还有人踩上去滑倒。

更麻烦的是编排。ER 和 VLA 两个模型协作，一个管想，一个管动，失败经常出在衔接上：任务什么时候算完成、什么时候切下一个、延迟怎么压。还有错误复利：10 个任务串在一起，ER 的成功率是 x，VLA 是 y，串联起来整体成功率按 x 乘 y 一路衰减。Nathan 提到 LLM 圈那张著名的任务时长曲线，模型能完成的任务越来越长，但机器人有个额外约束：50% 成功率在电脑上无所谓，大不了重跑；机器人摔了东西就是事故。这就是演示视频和真实部署之间隔着的那道坎。

手、安全和会「接受采访」的机器人

去年她上节目时说，最需要硬件厂给「好手」。一年三个月过去，她的判断更新了：Gemini Robotics 1 时代，夹爪机器人的灵巧度是前沿；Gemini Robotics 2 已经能做多指精细控制，能系垃圾袋。夹爪能做到的手都能做到，手还能做夹爪做不到的。手成了灵巧度的新前沿。硬件进度超出她的预期，但可靠性和成本还差得多。

手的力气差距也大：有的手接近十岁小孩的力气，Shadow Hand 能举 20 公斤，见过它开罐头，很紧的盖子不好说。

安全上她立场鲜明：安全是一种能力。很多人把安全和能力对立，她的看法是没人会用不安全的机器人，最有用的 agent 恰恰是知道自己该干什么、不覆盖人类指令、不闯祸的那种。她把机器人安全拆成几层：操作安全，机器人伤人多数时候出于「笨」，人形机器人摔一跤本身就可能很危险，这层和 AI 无关；护栏，完成任务的同时不越界；传感器失效怎么办，他们有个演示，机器人正干活，有人把篮子扣它头上，蒙眼继续干是错的，正确反应是意识到视野被挡、开口请人拿掉。她的结论：安全是全系统的事，从机械设计一直贯到高层大脑，模型越强，花在安全上的算力就该越多。

还有个容易被忽略的点：人形机器人会被更苛刻地评判。夹爪机器人搞砸了，大家不指望它聪明；人形机器人长得像人，跌跌撞撞就会招来更狠的差评。外形越像人，智能的及格线越高。她自己也承认脑子里有两个声音：研究者的大脑知道那是机器，另一个大脑因为它会说话会点头，就把它当半个同类。

这期有个好玩的细节。Gemini Robotics 2 的人机交互是自然的，手势由模型现场决定，没有预设动作。他们拍宣传片时给机器人做「采访」，问它任务里最难的部分。

机器人回答：那盘录像带是它最喜欢的物件，把它放进篮子、而不是一直攥在手里，是整件事里最难的部分。

导播间里所有人笑作一团。机器人会喜欢一盘录像带吗？至少它会自我报告。

分歧点：世界模型还是继续跑循环

英伟达 Jim Fan 的一个观点被 Nathan 拿来当考题：机器人模型不能只做「看现在、想现在、动一下」的循环，得有前瞻模拟，预测接下来会发生什么，再对比预期和现实的偏差，人脑就是这么干的。

Keerthana 的回答很克制：陪审团还没回来。她说机器人学家忠于问题，不忠于方法，哪种方法解决问题就用哪种。VLA、世界模型、agent 路线都在推进，配方还没稳定，这正是机器人最好玩的地方，不同人有完全不同的路线，最后可能都对。

数据路线的分歧也类似。Jim Fan 押注第一人称人类视频加仿真，遥操作数据会边缘化。Keerthana 拒绝站队，她把几类数据摆进「规模 vs 精度」的坐标系：遥操作数据最准，直接对应机器人控制，但不可扩展，机器人硬件一换代就贬值；UMI 这类带传感器的手持采集，动作标签来自传感器而非视觉估计，比人类视频准，又比遥操作可扩展；人类第一人称视频最容易规模化，但动作噪声大，每个人的身体和习惯都不一样。她的结论：大概率是混合配方，硬件每前进一步，配比就变一次，现在押注单一数据源不聪明。

交互上她倒有明确主张：人和机器人的界面要高度多模态，同时保留高层和低层访问。平时用自然语言指挥，它做错了你能给细粒度反馈，比如你收拾桌子的习惯它得能学；出于安全和可解释性，底层接口不能封死。Gemini Robotics 2 已经演示过双机器人协作：一台 Apptronik 的 Apollo 干到一半停下，另一台接手。

明天就能用的三件事

第一，想上手机器人 AI，门槛比想象低。ER 2 已经开放 API，在 Google AI Studio 就能调。你不需要一台机器人，可以像 Nathan 那样把场景图喂进去，定义 grab_at、place_at 这类高层工具，让模型做空间推理和任务规划，先在 2D 里验证你的任务拆解逻辑，再考虑真机。

第二，判断机器人进展，别再看跑步和跳舞视频，看三个硬指标：换一个本体还能不能干（跨本体）、示范几次能学会的任务范围（少样本泛化）、串联任务的成功率衰减（错误复利）。跑步速度和这几个指标都不挂钩。

第三，做产品规划可以记住那个速度倒挂：慢而稳的机器人先吃下容错高、允许过夜慢慢干的家务和后勤场景；低容错的煎蛋式任务，等可靠性上来再说。如果你的场景允许重试，分拣、码放、组装，现在就该开始设计人机协作流程了。

最后留一个她节目结尾的冷知识。她查了一下自家狗的神经网络参数量：25 万亿，比现在很多大模型的参数还多，虽然她家狗的语言能力相当一般。机器人要追的，就是这个量级的生物底子。路还长，方向已经清楚：一个大脑，任何身体，先学会干活，再学会跑快。