一个大脑，任意身体：Gemini Robotics 2 之后，通用机器人到底卡在哪里

一、嘉宾背景

Kiruthina Gopalakrishnan 在这期节目中的身份不是泛泛评论者，而是 Google DeepMind 的 staff research scientist，并担任 Gemini Robotics 的 research lead。节目明确围绕 Gemini Robotics 2、Gemini Robotics ER2、Gemini Robotics On-Device 2、跨 embodiment 机器人模型、人形机器人与通用机器人研究展开。因此，她的发言价值主要来自一线研究视角：她既能解释模型架构，也能说明哪些演示看起来震撼，却不一定代表通用机器人能力已经成熟。

主持人 Nathan Labenz / Erik Torenberg 把讨论放在 The Cognitive Revolution 的典型问题框架里：AI 已经在数字世界产生影响，但如果机器人很快进入物理世界，时间线会怎样改变？Nathan 用 AI 2027 的激进预测作为参照，提出 2027 年中人形机器人变得有用、2028 年出现机器人经济这样的说法；但节目没有把这些数字当作已被验证的事实，而是把它们作为待检验的 episode framing。

这也解释了访谈的重心：它不是对 Gemini Robotics 2 发布信息的复述，而是一次关于“一个大脑能否适配任意身体”的研究盘点。Kiruthina 谈到的经验覆盖具身推理、VLA/action model、on-device 部署、humanoid intelligence、hands、whole-body control、HRI、安全与数据来源。她多次拒绝过度预测，强调机器人路线、世界模型、数据配比与部署节奏都需要实验结果支撑。

二、本期主要内容

节目开场从中国 Robot Olympics 的病毒式视频切入。Nathan 关心的是：如果人形机器人已经能在跑道上跑得很快，这是否意味着通用机器人接近实用？Kiruthina 的回答相当冷静。她承认这些视频抓住了公众想象力，也承认 locomotion 的进展明显，但她把这种进展放回技术结构中理解：平地跑步、墙面或地面的接触更容易建模，locomotion 可以大量依赖 simulation，因此视觉上震撼的跑步演示，并不等于机器人已经能在开放世界稳定完成有用任务。

随后，访谈进入 Gemini Robotics 2 的三层结构。ER2 被描述为偏 system 2 brain 的具身推理模型，基于 Flash 系列，面向机器人任务调优，可做图像、视频、语义理解和具身推理；Gemini Robotics 是 VLA/action model，把用户或高层模型的意图转化为机器人动作；on-device 版本则是更小、更适合放进机器人本地计算机的动作模型。这个架构让讨论从“机器人有没有一个聪明大脑”转向“高层推理、动作模型、低层控制器和硬件如何协作”。

中段讨论围绕速度、可靠性和泛化展开。Nathan 提到自己用 API 做实验时，从“move the banana to the plate”到 tool call 有时约 6 秒，因此担心真实世界响应速度。Kiruthina 没有把这个问题简单归结为快或慢，而是区分应用场景：装配线不能慢，家庭折衣服也许更看重完成质量。她还说，大模型可能先出现前沿能力，再通过不同规模版本、云端版本和 on-device 版本服务不同场景。

后半段，话题扩展到跨 embodiment、手部硬件、HRI、安全、世界模型、训练数据和多机器人交互。Kiruthina 认为，机器人仍更像 GPT-2 阶段，因为 few-shot learning 尚未在大量任务上可靠工作，而且同一个“大脑”迁移到不同机器人身体仍然很难。她也解释了为什么 humanoid 不只是外形选择：它会暴露 HRI、whole-body control、多指 dexterity 等完整研究前沿。节目最后落在更长期的问题上：机器人是否需要 forward-looking simulation 或 world modeling？数据是否会由 egocentric video 主导？Kiruthina 的立场仍是开放而经验主义的。

三、核心观点：推理、例子与边界

这期访谈最有价值的判断，是把那些“看起来已经抵达未来”的机器人演示拆回不同能力层。跑得快的人形机器人可以代表 locomotion 研究的最新进展，但 Kiruthina 明确指出，脚速通常不是实用机器人的核心瓶颈。原因在于 locomotion 所面对的物理世界相对容易建模：平地、墙面、刚性接触、规则赛道，都让从仿真训练迁移到真实环境更可行。真正暴露机器人难度的，往往是 manipulation：布料会变形，垃圾袋会塌陷，蛋会掉到地上，薯片会被压碎，手指与物体之间的摩擦、力、接触顺序，很难在仿真中完整穷尽。

她对 Robot Olympics 的判断也体现了这种谨慎。她没有把跑步视频视为通用智能的证据，而是先说明自己没有参与那些演示，只能推测它们可能使用了 motion imitation、RL 控制器，以及针对特定机器人身体和高速跑步任务的调校。这里的关键在于：一个系统在一个身体、一个任务、一个赛道上表现出色，并不自动说明它具备可迁移到家庭、工厂、厨房或医院的通用机器人能力。

Gemini Robotics 2 的意义，在于它尝试把机器人系统拆成“高层脑、动作脑、低层控制”的协作结构，而不是把能力归结为一个神秘的端到端黑箱。ER2 负责具身推理、工具调用、inspection、instrument reading、pointing 等机器人相关理解；VLA/action model 将意图转化为动作；低层系统仍要处理稳定、目标达成和硬件约束。Kiruthina 解释 whole-body control 时，也没有说高层 VLM 会以高频率直接解决全部稳定问题，而是说 VLA 控制从 fingertips 到 feet 的整体身体，同时更低层系统继续负责 stabilization 和 target achievement。

这引出第二个核心观点：机器人失败常常发生在系统编排处，而不只是因为“脑不够聪明”或“手不够灵巧”。ER 和 VLA 之间存在延迟、任务切换时机、完成判断，以及多步骤任务中的错误复合。一个十步任务里，高层推理和低层动作只要各自有失败概率，最终成功率就会被序列过程放大地拖低。Nathan 提醒，LLM 在电脑上 50% 成功也许还能人工补救，但机器人掉东西会损坏物体；Kiruthina 进一步区分了乐高这种可回退任务和煎蛋这种低容错任务。后者一旦蛋掉到地上、过火或造成混乱，就不能像文本编辑那样轻松 undo。

第三个核心观点，是泛化与 mastery 之间的张力。Kiruthina 承认，窄任务系统今天可以针对一两个任务优化得很好；但如果每增加第 n 个任务都近似于重新做一次，那么这不是通用机器人的路线。她看重 foundation model，是因为一个通用 baseline 可能降低后续把每个任务推向 mastery 的成本。这并不意味着通用模型已经足够可靠。恰恰相反，她把当前机器人类比为 GPT-2，而不是 GPT-3，因为 few-shot learning 还没有在大量任务上可靠工作。

具身 in-context learning 的不确定性尤其明显。看一次视频、照着完成一次任务，可以被理解为 video prompting；但关键问题是，模型到底是在复制演示，还是理解了任务并能适应新场景。Kiruthina 用“看一次绑垃圾袋后能否绑垃圾袋”作为更难的例子，因为这类任务涉及多指手、软物体、复杂接触和目标状态判断。这里的限制不是外部推断，而是她反复强调的研究边界：ICL 结果仍处在早期，必须区分记忆或模仿与真正泛化。

跨 embodiment 是机器人不同于纯数字 LLM 的根本难题。GPT 在手机、Mac、Linux 上的行为大体相近；机器人模型则会被身体形态、关节结构、手、传感器、稳定系统和运动范围改变。Kiruthina 说，如果一个模型只在你的机器人和你的设置上有效，就很难称为 generic brain。DeepMind 与 Apptronik、Agility Robots、Boston Dynamics 等伙伴合作，正是为了在不同身体上研究 VLA 和 humanoid intelligence。她同时给出积极信号和限制：trusted tester 中，少量样本，例如 200 examples，可以在许多不同身体上学习很多任务；但在新 embodiment 上以高可靠性零样本完成大量任务，仍缺少强先例。

人形机器人在节目中也没有被当作营销外壳。Kiruthina 的观点是，humanoid 会暴露非 humanoid 方案触及不到的研究问题，包括 HRI、whole-body control 和多指 dexterity。Gemini Robotics 2 中自然手势、机器人接受采访并评价自己任务表现等例子，说明 HRI 已经成为模型和系统的一部分，而不是给视频添加几个预编程点头。但她也指出限制：类人外观和对话会让新用户产生社会投射，边界因此变得模糊；同样的失误，如果发生在 gripper robot 上，人们可能更宽容，发生在人形机器人上则会被更严厉地评判。

安全因此不是能力之外的附加项，而是能力本身。Kiruthina 明确说，人们不会使用不安全的机器人或 agent。安全既包括不违法、不制造混乱，也包括 operational safety：摔倒、稳定性、传感器遮挡、力控失误、e-stop 方式、机械设计和系统安全。她用“篮子盖住机器人头”的例子说明，机器人在视觉被遮挡时不应继续盲目执行任务，而应识别 obstruction 并请求移除。这类例子把安全从抽象 alignment 拉回物理世界：强机器人不仅要知道目标，还要知道何时停下、何时求助、何时降低动作权限。

节目对未来路线也保持不确定性。Nathan 引用 Jim Fan 关于 forward-looking simulation 或 world modeling 的观点，认为机器人也许不能只看当前状态、推理、行动、循环，而需要预测未来，并比较预期与现实之间的差异。Kiruthina 没有否定这个方向，但也没有把它视为唯一答案。她把 VLA、VAM、agent robotics、world modeling 都放在开放研究集合里，强调 roboticist 应该执着于问题，而不是执着于方法。这一限制也界定了访谈的结论：Gemini Robotics 2 并不等于通用机器人已经被解决；真正的前沿，正在从单点任务演示转向跨身体、跨场景、跨系统编排的综合能力。

四、学习与应用

第一种应用，是评估机器人新闻和演示时，不要只问“它看起来多像人”，而要拆成 locomotion、manipulation、dexterity、HRI、编排、安全和跨 embodiment。跑步、后空翻、快速移动可以展示控制能力，但如果任务发生在平地、刚体和可建模接触中，它对开放世界实用性的证明力有限。更有诊断价值的测试，是能否处理软物体、脆弱物体、遮挡、任务中断、变化场景和低容错后果。

第二种应用，是为机器人产品或研究项目选择任务时，把“失败成本”和“可重试性”放在中心。乐高装配、物品分拣、某些 pick-and-place，即使失败也可能回退修复；煎蛋、倒热液体、抱小孩、在拥挤家庭里移动，则容错空间更小。一个任务是否适合早期部署，不只取决于模型平均成功率，还取决于失败后能否检测、撤销、补救，以及失败是否会造成物理损害。

第三种应用，是把机器人能力当成系统能力来设计。ER、VLA、低层控制器、传感器、手、云端或本地模型、工具接口、任务状态记忆，都会影响结果。API 开发者不能只写一个自然语言 tool description，就期待模型适配所有机器人；Kiruthina 提醒，机器人 API 没有统一标准，常见 API 也许更友好，陌生 API 需要测试。实际系统应保留日志、完成判断、异常检测、重试策略和人工接管路径。

第四种应用，是理解速度不是孤立的优化目标。装配线、协作机械臂或高速分拣需要低延迟；家庭折衣服、夜间整理、离线 inspection 可能更能接受慢模型，以换取更高质量的推理。产品设计应把模型规模、云端连接、on-device 能力和任务时限一起考虑。大模型可承担规划、复杂语义理解或离线分析，小模型或本地模型可承担实时动作、常见任务和断网场景。

第五种应用，是不要把 one-shot 演示误读为可部署的泛化能力。视频提示和 in-context learning 很有前景，但评估时应主动改变场景、物体、初始位置、照明、干扰和目标顺序，看机器人是否理解任务结构。若模型只会复制演示，它适合窄场景自动化；若能在变化后保持目标和约束，才更接近通用机器人能力。垃圾袋、布料、易碎品和多步骤厨房任务，比简单 pick-and-place 更能测试这一点。

第六种应用，是把跨 embodiment 当作路线选择的硬指标。若目标是“一个大脑，任意身体”，训练和测试就不能只围绕一台机器人。可以采用 foundation model 加少量 embodiment-specific examples 的现实路径，但应明确说明样本数量、任务范围、可靠性水平和未测试身体。200 examples 在访谈中是一个说明性经验，不应被包装成普适定律。

第七种应用，是让安全进入产品需求，而不是成为发布前补丁。机器人应能识别传感器遮挡、力异常、无法稳定、任务语义不清、用户指令越界和旁人干扰。hard e-stop 与 soft e-stop 的选择也要结合身体形态：断电可能让机器人坍塌，冻结在某些双足平台上更安全。越 agentic 的机器人系统，越需要低层访问、可解释状态、可中断控制和细粒度反馈。

第八种应用，是数据策略不要押注单一路线。teleop 精确但昂贵，且会随着硬件变化衰减；UMI 通过传感器提供较好的动作标签，但仍受硬件规模限制；人类第一视角视频规模大、语义丰富，但 end-effector 信号噪声高。务实路线通常会混合使用这些数据，并随着手部硬件、触觉传感、仿真质量和 on-device 模型的变化重新配比。

最后，面向 humanoid 的产品和研究需要额外处理社会边界。自然手势、对话和类人外观会提升可用性，也会提高用户期待与误解风险。合适的设计不是让机器人假装完全像人，而是让它在能做什么、正在做什么、何时不确定、何时需要人类介入这些方面足够清楚。通用机器人真正进入日常生活，不会只靠一个更强模型，而要靠任务选择、系统编排、硬件可靠性、安全机制和人机界面共同成熟。

来源

• 原始节目：One Brain, Any Body: Google DeepMind's Keerthana on Gemini Robotics 2, Cross-Embodiment & Humanoids