话语场

播客 · Cognitive Revolution · 2026-10-03 · 90 分钟 · EN

一个大脑,任意身体:Gemini Robotics 2 与跨本体

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

核心内容

Keerthana Gopalakrishnan 介绍 Gemini Robotics 2 的推理与动作模型架构,并讨论从仿真到现实的迁移、跨本体泛化和全身控制。核心问题是同一套机器人智能如何适用于不同身体、任务与真实环境。

介绍依据 · 发布方说明 · 完整内容待核读

编辑导览,依据原始来源 ↗,整理于 2026-10-06。 内容介绍与下方原话、主张的逐条核对分开标注。

尽管基于 Gemini 3.5 Flash 的具身推理模型(ER)与视觉-语言-动作模型(VLA)在多指灵巧操作和少样本跨本体控制上取得了重大突破,但通用物理智能目前仍停留在相当于语言模型的「GPT-2 阶段」:仿真到现实的物理接触动力学鸿沟依然存在,少样本泛化尚未普适,且高层推理与低层执行分工带来的级联误差累积,使得长程任务的现实可用性仍面临严峻挑战。

原话

2逐字核对过;核对了说话人和位置

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。

支持 → a16z-fei-fei-li-20260904

支持 → the-ezra-jensen-huang-20260923

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。

支持 → sequoia-sutton-20260818

主张

1转述不加引号;附原文依据和位置,核对范围见语境与收据

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。

支持 → latent-space-thariq-shihipar-20260929

相关