机器人看人投一次，就能学会投沙包吗？

人形机器人通常要靠工程师反复编写动作、调试仿真，再到现实环境里测试。Google DeepMind 展示了一条更直接的路线：让 Gemini 4 Argon 看一段人类投沙包的视频，推断场地位置和身体动作，生成模拟代码，然后把学到的动作迁移到 Apollo 人形机器人。DeepMind 称，机器人在现实试验中连续投中了七次；这仍是一次受控演示，不等于机器人已经能靠观看视频掌握各种技能。

原始来源：Teaching a humanoid robot to play cornhole with Gemini 4 Argon。中文深度整理，非逐字翻译。本文依据 Google DeepMind 的官方产品说明，不是 YouTube 字幕；页面将其称为内部测试。

从视频推算空间位置和动作

Cornhole 是一种投掷游戏：玩家把沙包扔向带洞的斜板。DeepMind 说，Argon 先观看人类投掷的原始视频，再估算场地的空间坐标和身体各关节需要完成的动作，并自行编写模拟代码。换句话说，演示的重点不只是识别“有人在投东西”，而是把看到的过程转成机器人可执行的动作方案。

对于机器人来说，视频里的位置关系和人的身体动作并不会自动变成机器人的控制指令。官方材料称 Argon 能建立仿真并计算全身关节运动，但没有公布坐标误差、动作规划细节，也没有说明人类是否在中间修正了方案，因此无法从这段材料判断每一步自动化到了什么程度。

仿真结果还要放到真实机器人上

DeepMind 称，模拟代码随后被迁移到 Apptronik 的 Apollo 人形机器人，机器人在现实试验中连续投中七次。这比只展示屏幕里的仿真更进一步：模型给出的动作至少在这次迁移中能被实体机器人执行。

不过，页面没有说明试验场地是否与视频完全一致、机器人之前是否接受过针对这项任务的训练，也没有给出失败次数和重复试验结果。七次连中是一个具体的演示结果，不足以说明系统能应付距离、物体、环境或机器人身体发生变化的情形。

能力边界要看换一个任务后还剩多少

这项测试展示了“看视频—估算空间关系—生成控制方案—在机器人上执行”的完整链条。它可能减少一部分针对单一动作的手工编程，但真正的通用性还需要在新场景、新动作和失败恢复上验证。Google DeepMind 的公开说明没有提供这些测试，所以更合适的结论是：Argon 完成了一次有明确目标的机器人演示，而不是已经证明机器人能看一遍就学会任意技能。