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

Google DeepMind 的 Kanishka 说机器人还在 GPT-2 阶段：能跑赢博尔特，但叠衣服、跨机型通用都还做不到。

人形机器人跑得比博尔特快、视频全网疯传，但 Google DeepMind 的 Gemini Robotics 研究负责人说，脚速根本不是机器人有没有用的瓶颈。她给整个行业的进度打分：还停在 GPT-2。这期讲清楚了三件事——为什么跑步这类技能在仿真里最好练、Gemini Robotics 三个模型各自干什么、以及机器人真正走进家庭还卡在哪。

中国那场机器人运动会刷屏时，Kanishka 的爸爸和她在印度的朋友都在转，但她的判断和大众相反：跑步是仿真最容易练的技能，不是机器人有没有用的关键。

• 跑步、走平路这类任务在仿真里最好练，因为地面和墙都是刚体，接触模型简单，可以整机训练；而叠衣服难，因为布料有摩擦、会变形，仿真一碰接触就崩。
• 脚速不是瓶颈。Kanishka 的原话是：我和我很多朋友都是很有产出的人，但我们都不比博尔特跑得快——机器人也一样，跑得快不等于有用。
• 她推测这些跑步机器人用的是运动模仿加强化学习训出来的控制器，可能还带点导航，但基本跳过了高层推理，纯粹是"速度演示"。

Google 今夏放出的这套东西分三层，像一块三层蛋糕：最上面负责想，中间负责动，最下面塞进机器人本机。

• Gemini Robotics ER 2 是"系统 2 大脑"，基于 Gemini Flash，负责通用推理和场景理解，已经开放 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 是 VLA 动作模型，把 ER 2 的高层指令翻译成机器人关节动作，现在能控制从手指到脚的整机，支持多种机型，但只对受信任测试者开放。
• On-Device 版是塞进机器人本机的小模型，不依赖云端，能力接近大版本但体积小得多；128K 上下文约等于 3 分钟记忆，Kanishka 建议用文本摘要压缩历史，而不是全存图像。

Kanishka 承认进度比她预期快，但坚持整个领域还没到 GPT-3，卡在两个地方：少样本学习和跨机型通用。

• GPT-3 的标志是少样本学习真正好用，而机器人现在只能对一小部分任务做到"看一遍就会"，比如抓放；换成"演示一遍怎么扎垃圾袋"，还早得很。
• 跨机型是 GPT 从没遇到过的问题。同一个模型换台机器人就可能完全失灵——GPT 在 Mac、Linux、手机上行为一致，机器人做不到，这说明还没有真正的"通用大脑"。
• 通用性和精通度是两条正交的轴。做窄 AI 也能把一两件事做到极致，但做第 N 件事的成本和第一件一样高；先做通用基线，再微调到精通，才是 LLM 已经验证过的路径。

"我和我很多朋友都是很有产出的人，但我们都不比博尔特跑得快。"

• 如果你在做机器人或具身 Agent，优先把 ER 2 当"高层大脑"接进现有系统，用 API 定义工具让它调度，而不是自己从零训一个端到端模型——它已经开放，且能直接复用 Gemini 的工具调用能力。
• 评估机器人任务时，别只看成功率，先看任务对失败的容忍度：LLM 里 50% 成功率还能用，机器人掉个东西可能就摔坏了，所以 pick-and-place 这类可容错任务会先落地，精细操作要等更久。