一时之间，引发了非常多的热议。
甚至，是引发了一些机器人领域的相关人员的小范围讨论。
“早些年波士顿动力研究的是robot control方向的技术，对于机器人AGI没有帮助，研究这么久，全是研究平衡问题，浪费了大量人力物力，也没办法general到任务层级。”
“的确是这样的，现在热门的软体机器人，触觉，大语言模型，更是捉襟见肘，到处水论文，软体有多水不细究，本科生就能水，大语言模型，那更是一个技术活儿，一般的公司，真的搞不定，如果是哪家公司说他们能搞定软体机器人，我第一个不相信，现在偏向中性质疑吧！”
“目前学术界和工业界，对于机器人任务本身，对于人类学习本身没有任何深度思考，deepmind learning领域，几乎没有任何像样的学术成果出来，高瓴这是在挑战学术最前沿啊！”
“完全同意楼上的说法，但是我们除了拿Transformer和Diffusion水论文还能做什么呢？控制和规划严重依赖模型，“做一盘色香味俱全的红烧肉”这样的任务没办法建模，即使真的层层分解得到了一个模型，建模的过程也将充满着主观臆断和胡乱近似。RL和VLA严重依赖数据，真靠VLA训练出AGI来需要的数据量可能超过宇宙中的原子总数。”
“现在一些知名的机器人公司，连控制都做不好，就像楼上说的波士顿动力，特么我读博士的时候就开始玩了，现在还是在实验室里头玩，都玩个没完了，很难想象高瓴能做什么“任务”。靠过拟合然后一卡一卡的做demo？”
“这是个逻辑性问题，控制control只是必要条件，不是充要条件，跟你照相机像素不能低，否则image啥也看不清，很难做什么任务，这些也是必要条件，但是像素高，跟实现AGI没有半毛钱关系。control只能保证任务顺利进行，无法对于物理世界进行表征深度解析，也无法理解物理世界。”
“那就是很局限，动力系统轨迹和model，你要先给出来，比如mpc，现实是model基本上不可能预先知道，那control也就是没有意义，难点本身就不在control，而是把物理世界的各种复杂规律进行建模这一过程。”
“的确是，难度太大了！这次倒是要好好看看，高瓴是怎么玩儿的。”
“高瓴做这个东西，还是和大学为主的学术界完全不同，他们可是
…。。