谭捷:机器人、跨本体、世界模型、Gemini Robotics 1.5

今天的嘉宾谭杰是Google DeepMind机器人团队的高级研究科学家，他在节目中分享了自己从计算机图形学转向机器人研究的奇妙旅程，以及机器人领域过去十年里两次重要的范式转变。

谭杰博士曾在上海交大攻读图形学，做过动画，甚至在皮克斯实习过。那时他专注于让虚拟角色在物理仿真中自然运动，逐渐发现里面的AI算法与机器人控制惊人地相似。2015年加入谷歌后，他发表了第一篇用深度强化学习让四足机器人学会行走的论文，开创了“从仿真到真实”的路线。这彻底改变了机器人运动控制：以前需要手调复杂数学模型，现在只需在仿真里训练AI，再迁移到真实机器人，波士顿动力的炫技表演很快就不再是独家绝活，如今就连开源的人形机器人都能翻跟头、跳舞。这就是第一个范式转变——用强化学习解决机器人的“小脑”问题。

第二次转变来自大语言模型。2018年AlphaGo的强化学习还只是下棋，但近年GPT、Gemini等多模态模型让机器人拥有了“大脑”。它们不仅能听懂人类用自然语言下指令，还能理解常识，把“做一杯咖啡”拆解成一步步详细规划。谭杰的团队刚刚发布的Gemini Robotics 1.5就利用了“思维模型”，让机器人在执行任务时能“思考”和推理。不过他也指出，目前的多模态大模型还缺一环——不能直接输出控制动作，因此大家主要是在这些大模型基础上做微调，添加机器人动作数据，使其能指挥身体。这听起来简单，实则远未达到独立的“机器人大模型”，更多是现有技术的延伸。

然而，理想丰满，现实骨感。谭杰坦言，虽然过去一年半进展飞快，硅谷所有大公司都在重金押注，人才从周一卷到周日，但通用机器人的真正落地还有巨大鸿沟。最大的瓶颈是数据：互联网上文字唾手可得，可让机器人学会在纷繁复杂的物理世界中灵活操作，需要海量且多样化的数据，目前这类数据极度稀缺。虽然有公司通过遥操作、仿真采集数据，但还远不足以喂饱模型。此外，即便某个任务能做到90%成功率，像拉拉链这种精细活可能只有30%～40%，远未达到商用标准。从演示到产品，他估计至少还要5到10年，就像自动驾驶从DARPA挑战赛到Waymo上路走了十几年。

最后，谭杰聊到了一个哲学问题：到底该做通用人形机器人，还是一个领域一个领域地去攻克专用机器人？他觉得两条路都没有错，但世界的发展往往不是理性推演的。一位有远见的“大佬”（比如马斯克式的人物）一旦笃定通用人形是终极方案，资金、人才就会涌入，从而倒逼这条路成为现实。他本人更倾向于相信，正如语言领域通用模型最终碾压专用模型，机器人或许也会走上类似的路径。节目末尾，他依然充满期待：虽然眼看百业待兴，但只要数据、算力、算法持续突破，机器人真正走进千家万户的日子可能并不遥远。