TWIML：2026 年的智能机器人，差的不是又能多走几步

原集嘉宾是 Flexion Robotics 联合创始人 Nikita Rudin。官方节目说明里，讨论轴很清楚：运动远未「解决」、视觉拖累 sim2real、端到端 vs 分层、real-to-sim，以及 VLM→VLA→全身跟踪的层级。免费读者看到这里；下面会员部分按这些可核主题拆，先按官方说明搭骨架，再补带时间戳的口播证据。

这期在拆什么

一手源是 TWIML AI Podcast #760（2026-01-08）：Intelligent Robots in 2026: Are We There Yet?，嘉宾 Nikita Rudin（Flexion Robotics 联合创始人兼 CEO）。完整节目说明见 twimlai.com/go/760。

和站内上一篇会员拆（Latent Space / 软件 Agent「能演示、不能值班」）对照：那边卡在权限与评价；这边卡在 物理世界里的可部署性——仿真里的运动进步，不等于能进真实场景值班。

下面按官方节目说明的议题拆，并用 ASR 口播作证据。未出现在节目页或听录里的数字与内部指标，一律不编。

1. 运动进步了，但还没「解决」

节目说明明确写道：强化学习与仿真推动了机器人运动（locomotion）的快速进展，同时强调 locomotion is still far from “solved.”

这句对媒体叙事很有用：四足/人形「会走」的视频很容易被剪成「已经能干活」。Rudin 的框架是把「会走」从「能部署」里拆出来——进步真实，闭环未完成。读者核对应听原集里他对「未解决」具体指哪些失败模式（地形、扰动、长时间稳定性等），节目页本身没有展开清单。

2. 视觉一进环，sim2real 明显变难

官方摘要单独点出：sim2real gap；加入视觉输入会引入噪声，并显著加重 sim-to-real transfer 的难度。

门道不在「仿真无用」，而在 观测模态一变，迁移假设就崩。纯本体感觉/状态的运动策略，和「看见图再动」不是同一难度阶。这和站内 Open X 一类「公开轨迹数据」议题是姐妹题：数据与仿真都要回答「你训练时看见的，是不是部署时看见的」。

3. 端到端 vs 分层：今天更务实的是拆开

节目说明写明讨论了 end-to-end 与 modular 之争，并给出立场摘要：separating locomotion, planning, and semantics remains a pragmatic approach today（把运动、规划、语义分开，在今天仍是务实做法）。

对「从模型到房间」读者：这不是否定端到端研究，而是部署叙事上的优先级——先让全身跟踪稳，再让语言/语义层发任务，而不是用一个大网同时赌行走与理解。

4. real-to-sim：用真机数据反修仿真

嘉宾引入 real-to-sim：用真实世界数据去 refine 仿真参数，提高训练保真度。方向与常见的 sim→real 单向箭头相反：不是只把策略搬出去，而是让仿真追着真机分布走。

节目页未给出 Flexion 的具体标定流程或开源工具链；要核对实现细节，只能回听原集或查阅其后续公开材料。

5. 数据配方：RL + 模仿 + 遥操作

官方说明提到：强化学习、模仿学习与遥操作数据如何组合，以训练四足与人形上更稳健的策略。这又是「演示视频不可核」的反面：可核的是 数据来源是否混合、各起什么作用，而不是剪辑后的成功镜头。

6. Flexion 的层级：VLM → VLA → 全身跟踪

节目说明给出架构摘要：

• 预训练 VLM 做高层任务编排（task orchestration）
• VLA 承接中层动作语义
• low-level whole-body trackers 做底层全身跟踪

这与第 3 点的「分层务实」一致：语言/任务在上层，运动闭环在下层。读者若只记住「我们有 VLA」，会漏掉他们把 whole-body tracker 单列出来的原因——部署往往死在下层跟踪，而不是死在提示词。

7. 人形演示的幕后，以及入门建议

节目后段覆盖：人形演示幕后、仿真 RL vs 真机 RL、reward tuning 的讲究，以及对研究者/从业者的入门建议。这些在节目页是议题列表，不是逐条结论；写进笔记时只标记「原集有专段讨论」，避免把二手「内幕」写死。

和本站其它稿怎么串

信源

口播证据（英文听录，时间戳）

依据原集音频 ASR（英文）与下载专家整理的可读中文稿，摘几句可回听核对的证据。

• 英文时间戳听录：docs/transcripts/twiml-760-robots-2026-en.md
• 中文书面访谈体：docs/transcripts/twiml-760-robots-2026-zh.md（YouTube en-orig 字幕 → 翻译；制作说明见同目录 twiml-760-robots-2026-zh-NOTES.md）

冷开场 · 价值（[00:00]）

… there is not a single humanoid robot today that actually generates value. … it’s not doing the actual thing it’s supposed to.

中文稿对应：目前尚无一款人形真正创造实际价值——接近预期≠做对目标作业本身。

运动是否已解决（[04:20]）

The general question is, is locomotion solved or not? … My take is that locomotion is not solved.

中文稿意译：唯有机器人能到人类可及之处、且使用者不必再怀疑可靠性时，运动才算真正解决。

视觉进环后的 sim2real（[07:04]）

That sim to real gap is much larger once you have perception in the loop. Once you’re simulating either depth images or RGB images, it’s even worse.

分层仍务实（[10:00]）
主持人复述、嘉宾认可：modular approach can still be a pragmatic way；嘉宾补白自己 PhD 曾一路推向 locomotion 的 end-to-end，却仍主张当下要拆。

VLM→VLA（[23:20]）

you take a VLM, you remove the output, and you train a … new part of the network on top, and then you call that a VLA.

real-to-sim（[30:33]）

… what we call a real to sim process. So we take the real robot, we’re just hanging it in the air, we let it shake a little bit, collect data of all the different motors.

全身跟踪（[39:31]）

… a whole body tracker, which will receive this plan of how the hand should move and how the whole body should move, and then we’ll control the motors …

限制

议题结构对齐官方节目说明；英文引文来自音频 ASR，中文对照来自字幕译稿，二者时间戳口径可能略有偏差。核对以回听原集为准。