上周，Google DeepMind 也发布了 Gemini Robotics，这是一个疯狂的新 AI 模型，能够控制人形机器人的整个身体。在这个演示视频中，他们让机器人行走、蹲下、打结、拧灯泡，甚至与其他机器人合作清理房间。此外，硅谷初创公司 1X 也刚刚发布了其 Neo 机器人的疯狂新演示，展示它玩 Xbox 和打开菲多利玉米片。这只能意味着一件事：拥有机器人奴隶的梦想终于要实现了。但有一个大问题，因为命运弄人，上周我在麻省理工学院（MIT）与真正的机器人研究人员度过了几天，我有一些坏消息。那些没有融资激励去构建和研究这些技术的人认为，能替代你保姆的机器人还要 10 多年才能实现，而且这已经是极度乐观估计了。
在今天的视频中，我们将拆解人形机器人的炒作热潮，找出截至今天机器人技术的真正前沿。现在是 2026 年 8 月 11 日，你正在观看《代码报告》。五年前，大型语言模型写出的都是无法使用的垃圾代码，扩散模型生成的图像就像这样。但今天，随着数据和强化学习扩展到荒谬的巨大规模，这些相同的技术使源代码几乎变得过时，Stack Overflow 的流量已降至其巅峰时期的不到 1%，而视频模型现在可以生成与现实无法区分的内容。
“计算机未来能做什么？” “它们可能会帮我们做作业。” 你可能会认为，由 AI 驱动的机器人应该以同样的速度发展。随时可能出现的将是更换机油的机器人机械师、制造特斯拉的机器人焊工，以及每场战争中的机器人士兵，使所有蓝领工作变得多余。我们也许有一天会达到那个阶段，但目前的现实是，机器人在威胁这些工作方面还差得远。你在特斯拉和其他硅谷初创公司看到的演示是为了制造炒作和推高估值，而不是展示机器人技术的真正前沿。
为了找到真正的技术前沿，让我们先来看看 Gemini Robotics。“对于机器人来说，应对真实物理世界的挑战几乎是不可能的。” Gemini Robotics 2 系统实际上由三个模型组成，其中最重要的是视觉语言动作模型（VLA）。它接收摄像头像素和纯英语等输入，然后向机器人的硬件输出电机指令。但这一个的特殊之处在于，它可以在单一的学习策略下运行整个人形机器人的腿、躯干、手臂和手指。在谷歌的演示中，我们可以看到它在 Apptronik 的 Apollo 2 人形机器人身上展示了各种令人印象深刻的功能。
但在人形机器人领域，像行走和做后空翻这样的动作基本上已经是被解决的问题，而实现人手般的灵巧度仍然是一个未解的难题。当你阅读几乎任何机器人演示的细节时，你会发现多指灵巧度的成功率在 0% 到 90% 之间波动。这是一个大问题，因为没有人想买一个会把你盘子掉在地上 10% 时间的“罗西”机器人保姆。
“你在做什么？停下，停下。” “这就是前沿所在，但 realistically（现实地），这些数字需要远高于 95%，机器人作为人类的替代品才说得通。但在人工智能时代，为什么这仍然如此困难？在我最近访问麻省理工学院计算机科学与人工智能实验室（CSAIL）期间，我有机会体验各种人形机器人，并了解那里的研究人员如何尝试构建通用的解决方案，使这些机器人真正可靠地工作。当这些极其聪明的研究人员告诉我，“罗西”机器人距离成为现实还有几十年时，让我想到了 X 悖论：难的问题容易解决，简单的问题却很难。比如 AI 可以轻松击败马格努斯·卡尔森下国际象棋，但在堆叠积木方面却打不过一个两岁的孩子。
从技术角度来看，为机器人创建策略与让大型语言模型（LLM）复述文本截然不同。大语言模型可以吐出一组离散的标记，并且它可以花费任何需要的时间来生成它们，即使不够完美也不会死人。另一方面，机器人需要发出连续的值（如关节角度和扭矩），并以每秒数百次的频率将这些值流式传输给数十个不同的电机，所有电机必须协同工作。如果你的策略稍微偏离一点，重力就会惩罚你，让机器人脸着地摔在地上。”
“它可以在各种环境中扩展。什么？” 但更深层次的问题是数据。大型语言模型通过吞噬整个互联网和有史以来写过的每一本书而变得聪明，但对于机器人来说，这样的数据源根本不存在。研究人员试图绕过这个问题的方法是创建模拟或合成数据。基本思路是让机器人使用飞行模拟器，过一段时间后，它应该能够驾驶真正的飞机。但是，研究人员仍然不确定应该如何训练这些机器人，目前主要的争论在于模仿学习与强化学习之间的选择。
在模仿学习中，人类远程操作机器人，以便模型可以克隆其行为。这是一个简单的想法，但很难扩展规模。另一个想法是强化学习，你只是让机器人尝试做事，并通过给予奖励信号来让它通过试错进行学习。宇树科技（Unitree）的机器人就是通过学习功夫，但这还不够用于安全的通用机器人。现在有许多公司和初创公司如 1X、Figure 和特斯拉，他们有着这些疯狂的“相信我”视频，但你实际上买不到这些机器人。因此，没人确切知道它们是否真的靠谱。
如果你今天认真想要拥有自己的“机器人奴隶”，你的选择相当有限。你可以尝试获取新的波士顿动力 Atlas，虽然现代汽车和谷歌已经买下了所有库存，所以你只能等待名单。或者你可以购买中国宇树科技的 Go1，入门价为 13,500 美元。你也有中国的 Agibot 正在大规模出货，但机器人领域的其余部分比炒作所暗示的要小得多。我们甚至可能在厨房出现人形机器人之前就玩上《GTA 6》。这意味着软件开发者编写让这些机器人真正工作的代码有着巨大的机会空间。这也是为什么你需要……
了解关于 Omnigen 的信息，它是本期视频的主办方。Omnigen 是一个开源的元编排框架（meta harness），它为你在 Claude Code、Codex 以及你自己构建的任何智能体之上提供了一个统一的公共层。因此，你不必仅仅局限于使用其中某一种工具来处理所有事务；Omnigen 允许你在同一个项目中运行多个智能体，并通过一行代码的更改或从用户界面（UI）中轻松切换它们。
我利用它复活了我一个心爱的副业项目，编排器让 Claude Code 构建 API，而 Codex 负责制作前端。当它们开始产生分歧时，我让它们互相辩论以找出解决方案。这些智能体由一组策略进行管理，动态控制成本预算和模型路由等事项，并且所有操作都在安全的操作系统级沙箱中运行。
因此，你不需要给它提供对你实际文件系统或网络的原始直接访问权限（raw-dog access）。每次运行都会生成一个实时会话 URL，让你可以与团队成员分享该链接，或者从手机上引导你的智能体，这样你就不必被束缚在终端前了。
Omnigen 采用 Apache 2.0 许可证，你现在可以通过下方的链接免费试用。这就是本期《代码报告》（The Code Report）。感谢观看，我们下期再见。