一个模型，能控制机器人、开车、打游戏、还能飞无人机。这听起来像是把四个不相干的活儿塞进同一个大脑里。

它靠什么干活

打开网易新闻 查看精彩图片

逻辑其实很直接：模型先从真实世界里拿到视觉观察，再基于这些观察做出动作。没有为机器人单独写一套规则，也没有为开车单独训一个模型，视觉输入是它理解世界的统一入口。

换句话说，机器人看到的、汽车看到的、游戏画面里呈现的，在它这里被当成同一类东西处理——都是画面，都要从画面里读出下一步该做什么。

为什么这件事值得多看一眼

过去这类任务通常是各做各的：机器人一套系统，自动驾驶一套系统，游戏AI又是另一套。每换一个场景，就得重新搭一遍。

现在把视觉观察作为共同起点，一个模型覆盖四种完全不同的载体，至少说明这条路是走得通的。至于它在这四件事上分别做到什么水平，目前还没有更多细节。

能同时开机器人、开车、打游戏、飞无人机，本身就是个不小的跨度。