文章核心观点 - 通用大模型在机器人操作基准上展现突破性能力引发具身专用模型价值质疑 但谷歌随即发布Gemini Robotics 2.5证明专用VLA模型仍具不可替代的技术价值 [4][7][8] - 谷歌通过通用基础模型辅助训练与专用机器人模型执行操作的分层协作体系 既回应了具身模型路线之争 也抬高了具身模型初创公司的竞争门槛 [48][64][66] 通用模型对具身模型的冲击 - Anthropic发布Claude Fable 5.2 在RoboDojo Sim基准42项任务中取得64.9%平均成功率 远超GPT-6 Astra的29.8% 且优于多数机器人专用模型 [4] - Claude Fable 5.2在未针对部分任务专门训练情况下 已能控制真实机器人拧瓶盖 解魔方甚至画画 [6] - 通用模型展现强机器人操作能力后 具身专用模型的价值受到行业质疑 [7] 谷歌Gemini Robotics 2.5的发布与性能表现 - 11月10日Google DeepMind发布Gemini Robotics 2.5 号称迄今最强机器人视觉-语言-动作模型 [8] - 新模型在200多项任务中评测 部分任务成功率相对提升30%至100% 执行速度提高20%至30% [10] - 模型已进入德国和匈牙利奔驰生产线 搭载于Apollo 2人形机器人 自主完成汽车零部件分拣抓取和摆放 任务成功率达96% [10] - Gemini Robotics 2.5在灵巧操作 任务可靠性和物理安全性三方面实现提升 [13] - 测试涵盖夹子夹取食物 给礼盒系蝴蝶结 使用移液管等200多项任务 [15] - 夹子装取糕点成功率由5%提高至100% 解开蝴蝶结成功率由0提高至70% 合上工具箱盖子成功率由0提高至93% [17] - 新模型可适配不同类型机器人 包括配备五指灵巧手的Apollo 2及使用双指平行夹爪的Franka Duo 降低换硬件重新训练模型的成本 [23] 奔驰工厂的工业验证 - 谷歌与Apptronik 奔驰合作 在德国辛德芬根和匈牙利凯奇凯梅特生产线让Apollo 2承担汽车零部件分拣与配套工作 [24] - 机器人需从金属支架料箱取出零件 按生产顺序放入指定托盘 为后续装配做准备 [24] - 采用两套模型协同工作 一套理解任务和工作流程 另一套控制手臂与灵巧手完成具体操作 [26] - Apollo 2在概念验证中取得96%任务成功率 Apptronik CEO表示短短几周后训练即实现明显进步 迁移到真实生产线后性能无明显下降 [27] - 96%成功率距离规模化工业应用仍有差距 谷歌尚未披露完整测试次数 持续运行时长 人工接管频率及生产节拍差异 [28][29] - 工业生产线上决定机器人能否留下的是故障恢复能力 维护成本和投资回报率 而非仅操作成功率 [30] - Apollo 2表现更像一次有说服力的技术验证 距离大规模商业部署仍有不少问题待回答 [31] - 谷歌已证明具身模型能力可从实验室延伸到真实工业环境 [32] 训练方式变革：AI训练AI - 谷歌正在改变具身模型训练方式 引入Gemini 4 Argon辅助机器人研发流程 用于生成仿真训练场景 分析失败原因及改进训练策略 [34][38] - 研究人员仅需提供真实场景摄像头画面 Argon即可构建数字孪生环境 生成数千次不同条件下的模拟练习 [40] - 模型可分析失败视频 提出可能原因 并协助在仿真或真机环境中验证改进方案 [41] - 该方法仍需真实世界数据和训练示范 现阶段无法完全摆脱真机采集 [43] - 部分训练工作可在虚拟环境完成 研究人员能更快找到有效改进方向 [44] - 具身模型竞争指标将从数据规模扩展至模型能否高效利用数据 自动发现问题 通过仿真加快学习 [46] - 拥有强大通用基础模型 算力和仿真技术储备的科技巨头具备明显优势 [47] - Gemini 4 Argon与Gemini Robotics 2.5形成相互配合的研发体系 通用模型辅助学习 专用模型积累真实世界操作能力 [48][49] 具身模型路线之争与行业格局 - 行业存在两条技术路线 一条专门训练机器人模型依靠真机数据与物理交互经验 另一条利用通用基础模型视觉理解推理规划能力拓展到机器人控制 [53][54] - GPT-6 Astra Claude Fable 5.2等通用模型在机器人任务中不断突破 使第二条路线受到更多关注 [57] - 通用模型虽展现较强操作能力 但理解任务与真实世界稳定完成操作之间仍存差距 [58] - 连续物理交互对控制频率 动作精度和环境反馈要求更高 通用基础模型目前难以独立解决所有问题 [59][60][61] - Claude Fable 5.2的64.9%成功率主要反映特定仿真条件下操作能力 无法直接等同于真实工业环境可靠性 [61] - 谷歌保留专用VLA模型 通过与推理模型协作控制机器人 [61] - 英伟达GR00T 2采用类似分层思路 通用推理模型负责任务拆解规划步骤和检查进度 GR00T 2承担具体物理动作控制 [61] - GR00T 2在50项目标机器人未见过的任务中 经每项任务5次示范和少量微调后平均成功率达95% [63] - 两家巨头探索相似方向 通用模型承担理解与推理 专用机器人模型负责物理操作 [63] - 具身模型短期内仍有明确技术价值 [64] - 谷歌英伟达等巨头同时拥有基础模型 机器人模型和训练工具 初创公司竞争门槛可能被进一步抬高 [66] - 主要依靠自研VLA构建技术壁垒的企业需回答相比直接使用巨头基础模型自身模型优势何在 [66] - Gemini Robotics 2.5主要向谷歌机器人合作伙伴开放 尚未全面提供公共API服务 工业客户场景需求 硬件配置和数据条件差异大 通用模型全面适配仍有较长距离 [66] - 专业具身模型企业仍留有发展空间 [67] - 具身模型仍有存在必要 但未来未必需要每家公司从头训练一套 [69] - 通用基础模型不断扩张能力边界 机器人专用模型将面临更严格的价值检验 [70] - 谷歌可能救下了具身模型 却让一部分具身模型创业公司面临更残酷竞争 [71]