Figure 01 机器人演示其 OpenAI 集成

总体印象

• 许多人觉得这段演示在视觉上和概念上都令人印象深刻，尤其是看到类似 GPT 的能力体现在一个人形机器人上。
• 也有人对 AI 方面不太买账，认为它基本上只是“GPT-4 + 视觉 + 函数调用”接到机器人上，世界模型非常简单。

文本到动作与灵巧性

• 语音到伺服 / 文本到动作的连接被广泛认为是最大亮点：机器人会按照自然语言指令执行物理任务。
• 评论者称赞物体操作的速度和流畅度，并指出其他机器人演示常常需要把视频加速播放。
• 也有人强调，轻柔地抓起一个苹果、把盘子放进沥水架、以及把物体递给正在移动的手，这类任务有多么困难。

演示真实性、挑选性与泛化能力

• 许多人怀疑存在大量挑选镜头：反复拍摄直到得到完美一遍、理想化的环境、以及任务专门针对这张桌子、这些物体和人的位置而设计。
• 对于动作是“预先编排好的”还是由 LLM 触发的端到端神经策略，存在争论；一份链接的高层系统描述似乎表明使用了神经控制器，但泛化能力仍不清楚。
• 有几位用户要求在不同或更杂乱的环境中、使用任意物体来演示，以测试鲁棒性。
• 还有人明确将其与过去过度制作的 AI/机器人演示相比较（例如 Bard、Gemini、风格化的 Boston Dynamics 视频），这加深了怀疑。
• 一位评论者直接声称机器人看起来像渲染/CGI；其他人并未证实这一点。

语音、停顿与延迟

• 多个人注意到真实的“呃”和停顿。有些人觉得这很怪或像被“降智”了，另一些人则觉得这增加了自然感。
• 有几位将其归因于当前的 TTS 系统（类似 OpenAI、ElevenLabs），其中较低的“稳定性”或伪影会产生更像人的不完美。
• 延迟是一个反复被提起的问题；人们认为真正可对话的机器人需要快得多的端到端流水线（ASR → LLM → 控制 → TTS）。
• 讨论还涉及专门的低延迟推理硬件和多模态模型，它们被视为关键瓶颈。

推理、行为与局限

• 机器人推断出的行为（例如在未被要求的情况下把垃圾扔进垃圾桶）被称赞为 LLM 风格“常识”/溯因推理的一个例子。
• 也有人指出逻辑缺陷，例如把一只明显脏的盘子直接放进沥水架；有人认为缺乏记忆可能是原因。
• 一些人注意到，这个“世界”仍然极其受限；普遍认为，长期来看更可能的路径是通用符号规划加上多个神经子系统。

劳动、经济与社会影响

• 一些人认为这朝着机器人体力劳动迈出了一大步，甚至可能先于对许多知识工作任务的全面替代。
• 也有人对这类技术能否真正广泛有用、负担得起或对社会有益表示深度悲观，认为它最终会变成营销表演或军事技术。
• 讨论中还涉及我们是否终于在克服“体力劳动比认知更难”这一传统看法；有些人认为，一旦有了足够强的机器人，教它做体力家务可能比教它高层次的智力工作更容易。