“一个大脑。适用于任何机器人。”
当整个行业都在比拼谁能更快造出机器人本体时，谷歌用这九个字划下了一道分界线。当地时间7月30日，Google DeepMind发布了Gemini Robotics 2系列模型，这套产品试图定义机器人的操作系统。DeepMind机器人高级总监Carolina Parada在官方博客里写下的第一句话是：“从脚到指尖——我们正在教机器人智能地控制全身、精细灵巧操作，以及团队协作。”
这不是在秀硬件，这是在发布“大脑”。
Gemini Robotics 2实际上是一个三件套。第一件，视觉-语言-动作模型，直接把视觉和语言输入转成电机指令，能完整控制一台人形机器人从脚到指尖的每一个关节。以前的模型只能管上半身在桌面上干活，现在人形机器人可以走路、下蹲、伸展、抓取，完成“把水壶放进底层柜子的绿色收纳箱”这种需要移动、弯腰、精准放置的完整任务。第二件，具身推理模型，它不直接操控电机，而是充当机器人的“高级大脑”，负责看视频、理解环境、规划多步任务，再把执行指令交给底层的动作模型。它能调用Google搜索和用户自定义函数，首次引入了多机器人协作——不同类型的机器人可以实时沟通、分工配合。第三件，本地运行的轻量视觉-语言-动作模型，给它几小时数据，就能适配一个全新的机器人身体。
从动作执行到推理规划再到本地部署，三个模型各管一摊。这个架构本身就是谷歌的竞争宣言。
回看人形机器人赛道，几乎所有玩家都在垂直整合。Figure AI是最极端的样本。2024年发布Figure 02时还挂着OpenAI的模型，2025年2月转而自研Helix视觉-语言-动作模型。到2026年4月，它的BotQ工厂生产了超过350台Figure 03，从每天1台加速到每小时1台，良率超过80%。7月，第1000台Figure 03下线。创始人Brett Adcock的目标是四年内交付10万台。Tesla Optimus走的是另一条垂直整合的路，用自研视觉AI系统和自研执行器。2025年底Optimus 2.5在弗里蒙特工厂跑了起来，有22个自由度的五指灵巧手。2026年全年生产目标为5万台，但实际量产在下半年才启动，截至年中尚未大规模交付。NVIDIA在2025年3月发布了Isaac GR00T N1，号称“首个开放式人形机器人基础模型”，开源，但它的生意跟机器人本身无关，卖的是训练模型所需的GPU集群。
谷歌不拥有自己的机器人产线，也不销售机器人硬件。它和Apptronik合作让Apollo 2做人形机器人本体，和波士顿动力合作让Atlas做“运动员”，自己专心做“大脑”。一个视觉-语言-动作模型就能直接控制三种不同形态的机器人——Apollo 2配SharpaWave手、Apollo 2配Inspire手、Franka Duo配Robotiq夹爪——用同一套模型参数完成全身操控、多指灵巧操作和夹爪操作。谷歌的路线是模型做一次，适配所有机器人。Figure AI和Tesla倾向于每个机器人从头做一套。
更锋利的刀藏在具身推理模型的开放策略里。动作执行模型和本地模型只对早期合作伙伴开放，但推理模型直接上了Gemini API和Google AI Studio，任何开发者现在就可以接入，用它为自己的机器人写推理和规划层。甚至不需要自研的动作模型，可以人手遥控，让推理模型做决策，再把指令发给人类操作者。谷歌正在把机器人行业最关键的一层——理解和推理物理世界的能力——变成API调用的商品。这个策略一旦跑通，Figure AI费尽心血自研的Helix推理层就要面对一个直接的问题：凭什么比谷歌的API更好，凭什么更便宜？
当然，Gemini Robotics 2目前展示的能力离“替代人工”还有明显差距。谷歌自己在博客里坦诚，多指灵巧操作的成功率仍然明显低于全身控制和夹爪操作任务，机器人的移动速度也“有待提升”。本地模型虽然宣称几小时就能适配新身体，但实际适配质量和不同硬件平台的兼容性边界，谷歌没有给出详细数据。
更大的悬念在于，谷歌这条路历史上走过，结果参差不齐。Android在手机市场的成功是平台策略的教科书案例，但当谷歌把类似思路搬到物联网、智能家居和可穿戴设备上，Nest和Wear OS用了十几年也没有复制出Android的统治力。机器人比手机复杂至少一个数量级——物理交互、安全约束、实时性要求、异构硬件的驱动兼容——每一个维度都可能成为平台策略的滑铁卢。另一重风险在商业层面：把核心大脑做成开放API，确实能快速铺量，但也意味着主动放弃了最厚的硬件利润。
热门跟贴