One Brain

Keerthana 认为，中国走红的机器人奥运会确实展示了运动能力的进步，但并不是衡量机器人近期实用性的好指标。 在平坦、坚硬地面上奔跑对仿真尤其友好，而真正有用的操作能力会在接触、摩擦、可变形物体和不可预测环境面前迅速失效。她的直白校准是：“我的很多朋友效率很高，但我们跑不过 Usain Bolt。”

机器人仍处于“GPT-2 时刻”，因为令人印象深刻的演示还没有变成可迁移、可靠的智能。 要达到 GPT-3 级别的进展，模型需要从多个任务的多个样本中学习，并拥有一个能够跨越人形机器人、机械臂和其他身体形态迁移的大脑；如今，能力仍高度依赖具体机器人和具体设置。单次模仿很有前景，但复制演示并不等于场景变化后仍能泛化。

Gemini Robotics 2 通过3个模型，将具身推理与物理执行拆开。 Gemini Robotics ER2 是负责更高层级、调用工具的“​​大脑”；Gemini Robotics 2 是控制运动的视觉-语言-动作模型；Gemini Robotics On-Device 2 则是更小的本地版本。这一架构让大模型负责理解意图、专门的动作模型负责控制身体，但额外的模型交接也会带来延迟和失败风险。

受控的商业环境仍最可能成为早期部署切入口，尽管在家庭场景中，模型延迟可能没那么重要。 Nathan 强调可重复的工厂、仓库任务和专业服务；Keerthana 也认同，商业使用场景比家庭更容易控制。在传送带上，6秒停顿不可接受；但如果机器人彻夜叠衣服，慢6秒并不重要。Keerthana 预计，快模型和慢模型会同步发展，大模型获得的能力将逐步迁移到更小的模型中。

跨身体迁移正在快速改善，但“一个大脑，任何身体”仍是愿景，而不是已经解决的能力。 Google DeepMind 的模型如今能够控制从“指尖到脚”的人形机器人，其端侧项目据称只需约200个样本，就能让任务适配新的身体。但 Keerthana 认为，目前几乎没有先例能让一种全新的身体形态在完全零样本的情况下，可靠性极高地执行大量任务。

硬件进展速度超出了 Keerthana 的预期，剩余工作正转向可靠性、可重复性、成本和安全的力控制，而灵巧手正逼近能力瓶颈。 在大约1年3个月内，前沿能力已经从夹爪推进到多指控制、系垃圾袋和全身操作。她说，Shadow hand 可能可以举起约20公斤。商业化剩余工作，是让机械手具备可重复性、耐用性和可负担的成本，并能在精细物体和人类身边安全工作。

Keerthana 拒绝认定世界模型或任何单一数据来源就是机器人领域的制胜配方。 遥操作精确，但成本高、难以规模化；配备传感器的 UMI 演示更容易扩展，同时保留精确的、由传感器生成的动作标签；第一视角的人类视频数量庞大，却充满噪声。她反复强调的原则是经验主义：预测应当拿结果检验，而不是被当作定论，因为机器人仍处于足够早期的阶段，多种架构和数据组合都可能证明有用。

🔗 原始收听与视频来源： 一个大脑，任何身体：Google DeepMind 的 Keerthana 谈 Gemini Robotics 2、跨身体迁移与人形机器人