图片来源与许可 · 参考图使用许可未确认
AI 辅助插画 · 参考图：The Cognitive Revolution 发布；原图创作者未注明 · 参考图使用许可未确认 · 依据用户提供的节目封面人物，使用 AI 绘制 B 细线彩铅头像；保留人物样貌与衣领，改为米白纸底，移除机器人、举手、文字与几何背景。非原始照片，使用许可未确认。展示图缩放至最长边 640 像素并转为 WebP。 · 参考图：The Cognitive Revolution — Gemini Robotics 2 / Keerthana Gopalakrishnan 单集封面
公开发言
3原话逐字核对过；转述不加引号依然处于 GPT-2 时代，原因在于：要达到 GPT-3 的水平，我们首先需要少样本学习能在大量不同任务上真正奏效；其次机器人学至今依然极度受制于环境迁移——如果一个模型只能在你那台具有特定配置的机器人上运行，它能算得上是通用大脑吗？
still GPT-2 and here's why. I think for GPT-3 we need firstly few shot learning to work really well for a lot of different tasks and secondly also with robotics weirdly is still very subject to cross environment, right? If it just works on your robot with your specific setup, is it really a generic brain?
语境：Keerthana 评估具身智能现状，指出机器人模型尚未迈过泛化门槛：不同物理本体和硬件传感器的异构性，使得通用具身大脑远比纯数字 LLM 难以泛化。
通过极少量的数据——仅用 200 个示例——你就能让它在许多截然不同的机器人身体上学会大量任务，因为你已经具备了对物理世界进行高度通用理解的基础底座，并懂得如何对其进行控制。
You can with very, very small number of examples, with 200 examples, you can learn a lot of different tasks on a lot of different bodies, because you already have the foundation to do a very generic understanding of the physical world, and also like how to control it
语境：介绍 Gemini Robotics 端侧小模型的少样本跨本体迁移能力：预训练模型赋予物理常识后，仅需几百个演示即可适配新本体。
长程多步骤机器人操作面临复合误差的几何级累积：当高层具身推理模型（ER）与底层动作执行模型（VLA）分工串联时，各环节成功率的乘积会导致长链条任务的端到端可靠性急剧下降。
语境：Keerthana 剖析机器人长程任务的工程瓶颈：容错率决定任务难度，能自我修正试错的装配任务远比容错率为零的连续操作更容易落地。