在机器人技术迅猛发展的当下，人形机器人的演示已不再罕见，但回顾几年前，这类成果曾被视为遥不可及的梦想。Ted Xiao，这位在具身智能领域深耕多年的研究者，曾是Google DeepMind的核心成员，主导了RT-1、RT-2等标志性项目。如今，他加入亚马逊创始人贝佐斯创立的新型AI公司Project Prometheus，致力于突破具身智能在大规模环境中的推理与控制难题。
在最近的一次访谈中，Ted Xiao以亲历者的视角，系统梳理了具身智能领域近十年的变革。他提到，团队曾经历“Code Yellowish”状态——一种介于危机与正常之间的研究困境。当时，他们暂停论文发表，专注收集高质量数据，最终积累了约8.7万条轨迹。这一决策在当时被视为反主流，却为后续突破奠定了基础。
Ted将机器人学习的发展划分为三个阶段：存在性证明时代、基础模型时代和规模化时代。在存在性证明时代，团队通过QT-Opt算法解决了连续动作空间的难题，构建了“机械臂农场”系统，证明了端到端学习在真实世界中的可行性。随后，他们探索了多任务学习，包括BC-Z、MT-OPT等项目，以及“Learning from Play”这一充满趣味性的方向。
然而，强化学习的收益逐渐递减，模仿学习虽开箱即用但准确率受限。团队意识到，数据才是瓶颈所在。于是，他们暂停论文发表，专注收集高质量数据。这一决策最终得到回报：大规模模仿学习不仅可行，而且成为关键突破口。Ted形容这一阶段为“slowing down to speed up”——放慢论文发表速度，却为后续爆发积累了核心资产。
进入基础模型时代，大语言模型和视觉语言模型的崛起为机器人学习提供了新工具。SayCan项目首次将语言模型与机器人结合，通过语言模型生成高层计划，机器人则通过价值函数评估可行性。RT-1进一步将机器人策略转化为Transformer模型，参数约5000万，训练数据覆盖约500种任务。RT-2则更激进，直接将视觉语言模型作为策略骨干，涌现出大量推理和泛化行为。
Open X-Embodiment项目联合全球34家机构，开源了跨机器人形态的数据集，证明了技能迁移的可能性。Ted坦言，RT-2的思路本可更早实施，但团队在RT-1阶段花费了大量精力搭建模块，而非直接利用现有模型。这一经验促使他们在后续研究中更注重“最小改动”原则。
规模化时代以Gemini Robotics为标志，参数、数据和本体复杂度同时爆发。硬件端，双臂系统和高频控制成为主流，数据质量显著提升。Gemini Robotics ER通过增强具身推理能力，解决了物理常识和空间推理问题。Gemini Robotics 1.5则引入推理阶段“思考”过程，将长时域任务分解为短时域指令。
动作迁移能力成为另一亮点：同一神经网络可将运动经验零样本迁移到不同平台，包括仿人机器人和机械臂。这一阶段的研究呈现多维度并行爆发的态势：模型性能、评估体系、数据采集和商业化路径均取得进展。例如，基于人类第一视角操作数据的预训练成为新趋势，特斯拉式的闭环逻辑也开始在机器人领域显现。
在访谈最后，Ted被问及“机器人的ChatGPT时刻”何时到来。他认为，产品层面可能需一两年或更久，技术层面则依赖架构、视频动作模型和高级全身反应系统等拼图的完善。他个人更看好视频动作模型和第一人称人类数据的潜力。
