谷歌机器人整了波大活儿，要攻克「最后几厘米」的行业难题？

前段时间，雷科技 WAIC2026 报道团亲赴现场，近距离观察了这场全球 AI 大展，也看到了一场规模空前的人形机器人成人礼。

超过 200 家机器人相关企业、300 多台真机同台竞技——从宇树三米高的载人变形机甲来回切换形态，到智元的机器人用镊子夹起 2 毫米电阻焊到电路板上。过去最容易围住观众的后空翻和机械舞还在，但厂商越来越想证明另一件事：

机器人不只会动，还能干活，甚至干更多活。

但造出一副能跑、能跳、能伸手的「身体」，已经不是当下最稀缺的能力。真正的瓶颈是「大脑」，是怎么让机器人看懂混乱的环境，决定下一步做什么，再把决定稳定地送到几十个关节。

就在 WAIC 结束一周多后，Google DeepMind 推出了 Gemini Robotics 2，一个主打「全身智能」的机器人通用模型，适用于各种不同形态的机器人。

但最重要的关键词还是「全身智能」。人类弯腰捡起地上的水壶，会自然地前倾、屈膝、伸手，同时调整重心。封一只自封袋，会自然地对齐两侧封口，再用手指从一端捏到另一端，还会根据塑料的形变随时调整力度。机器人却要连续算对一串彼此牵制的动作。

图片来源：Google Deepmind

身体零件越齐全，控制难度反而越像滚雪球。

而谷歌这次的发布包含三个模型。Gemini Robotics ER 2 负责理解环境、规划长任务和与人沟通，Gemini Robotics 2 这个 VLA 模型把视觉与语言直接转成动作，On-Device 2 则把动作模型压到本地，并能用少于 200 个样例、几小时数据适配新的机器人本体。

但核心在于，谷歌开始用一组模型协调一台人形机器人的双腿、躯干、双臂和手指，让它一边思考推理，一边移动操作。

机器人终于不用“先站好、再伸手”了

过去不少机器人演示，都有一种很强的回合制游戏感。机器人先走到桌边、停下、站稳，然后调用机械臂抓取物体。抓完以后，它再次切换到行走控制器，去往下一个位置。每一段动作都可以做得很好看，但只要桌子偏了一点、物体滑了一下，或者它必须边走边维持抓握，几个独立模块的接缝就会露出来。

上一代 Gemini Robotics 也主要控制机器人的上半身，处理桌面任务。到了 Gemini Robotics 2，官方视频中的 Apptronik Apollo 2 会走向放在地上的绿色水壶，弯腰把它提起来。另一段画面中，Apollo 2 走到货架前，取出一只棒球手套，随后转身离开。

图片来源：Google Deepmind

这些动作看起来平平无奇，背后却同时依赖视野、可达范围、步态和重心。手臂伸得更远，身体就要跟着前倾。身体前倾，双腿又必须及时补偿。

视频也特别标注，画面中的机器人均为自主运行，动作按真实速度播放。

这也是「全身」的实际含义：模型不再把腿当运输工具、把手当作业工具，而是把整副身体视为一个相互耦合的动作空间。谷歌称，同一个模型已经用于搭载不同灵巧手的 Apollo 2，以及使用两指夹爪的 Franka Duo。至少在技术方向上，它想做的不只是一颗适配某款人形机器人的专用大脑。

当然，演示也没有快到让人产生错觉。Apollo 走路、下蹲和摆放物体的速度都很慢，谷歌自己也承认移动速度仍需提高。官方测试中，Apollo 从桌面、地面和货架取物的平均成功率分别为 68.4%、45.7% 和 76.3%。最能体现全身控制的地面取物，恰好也是成功率最低的一项。

方向是对的，只是动作还不够利索。

从拧灯泡到扎垃圾，机器人难在「最后几厘米」

全身控制解决的是机器人怎么抵达、怎么站稳。真正决定它能不能进入家庭和工厂的，往往还是最后几厘米。

在官方视频里，Apollo 2 使用一只拥有 22 个自由度的五指 SharpaWave 灵巧手，尝试拧灯泡、封自封袋、给垃圾袋打结。另一边，Franka Duo 的两只夹爪负责把形状各异的工具紧密装进工具箱。

图片来源：Google Deepmind

过去机器人最常见的抓取演示，往往只是把一个硬物从 A 点搬到 B 点。这些任务却涉及连续接触、双手配合和形变：塑料袋会塌，绳结会滑，灯泡既要对准螺纹，又不能捏得太用力。

人类做这些事时，不会先想好 22 个关节各自旋转多少度。Gemini Robotics 2 要做的，正是从视觉和指令直接生成这些高频、连续的动作。

不过谷歌公布的成绩也很实诚。两指夹爪在通用抓放、工具配套和精密插入上的平均成功率达到 74.2%、78.9% 和 89.6%，到了多指灵巧手，差距迅速拉开：拧下灯泡达到 92%，拧上灯泡只有 36%，扎垃圾袋是 44%，使用簸箕和封自封袋分别只有 32% 和 40%。

这组数字也说明了大模型已经能接管相当复杂的手部动作，而多指灵巧操作远没有达到官方模型页面所说的「人类级」。至少现在，机器人拧灯泡仍然可能十次失败六次。

图片来源：Google Deepmind

第三个变化是协作。视频中，Apollo 与 Franka Duo 共同整理工具箱。Apollo 发出任务，Duo 把工具装入盒内，两台机器人各自运行一套模型，通过高层推理分配和衔接工作，而不是由一个中央神经网络同时操纵两副身体。ER 2 还会持续查看视频，判断任务进度、发现失败并决定是否重试。

这和两台机器人机械地执行预设工序不太一样。谷歌想让不同形态的机器人先理解彼此擅长什么，再像团队一样交接任务。只是官方视频展示的是一个经过设计、总长几分钟的工具收纳场景，离多台机器人在真实工厂里连续协作几个月，还隔着很长的稳定性验证。

谷歌没有抛弃「大小脑」，只是拆掉身体的边界

具身智能行业目前普遍将机器人架构概括成「大脑」和「小脑」。大模型负责看懂指令、拆解任务，小模型和传统控制器负责导航、平衡、抓取。这样做很务实：高层推理不需要每秒运行数百次，底层控制也不能等一个大模型慢慢思考。模块分开，部署、调试和安全兜底都更容易。

问题在于，物理世界并不喜欢整齐的模块边界。

抬起一个重物会改变平衡，向前迈步会改变手臂的可达范围，手里的杯子一滑，原来的路径规划马上作废。高层计划与底层动作只要理解不一致，错误就会在长任务中累积。每次从行走切换到抓取、从抓取切回导航，也可能带来停顿。机器人明明计划对了，身体却没有照做。

但严格来说，谷歌并没有放弃「大小脑」。ER 2 依然是高层大脑，负责看、想、规划和调用工具，再把动作执行交给 VLA。它甚至可以把导航 API、机械臂接口和其他厂商的 VLA 当成工具。

谷歌解决的，是在动作层继续把走路、平衡、躯干和手臂切成一堆互不相干的小脑。Gemini Robotics 2 用一个 VLA 统一全身动作，ER 2 则可以一边观察执行，一边思考后续步骤，减少机器人每做一步都要「停下来想想」的割裂感。

图片来源：Google Deepmind

这是一条更准确的分界线：高层仍然分层，身体开始端到端。

这也解释了谷歌为什么没有把所有环节都塞进一个巨型网络。机器人底层控制追求毫秒级响应，高层推理却可能要检索资料、理解人类含糊的要求。两者需要的算力、数据和运行频率都不同。全部揉在一起，训练成本会迅速上升，出了问题也很难判断究竟是计划错了，还是关节没有执行到位。

更现实的是安全。模型可以决定把水壶放到货架，急停、限速和人与机器人的安全距离却不能只靠概率保证。ER 2 引入安全约束、可行性判断和请求人类介入，底层仍保留传统物理安全机制，说明谷歌也没有打算让端到端学习包办一切。

而且这条路线也不是谷歌独有。Figure 在今年初发布的 Helix 02，同样把所有传感器接入一个全身视觉运动策略，让 System 1 以 200Hz 输出全身关节目标，再由 System 0 以 1kHz 处理平衡和接触，最上层的 System 2 继续负责语义推理。看起来像一个模型，内部仍是按不同时间尺度紧密咬合的三层系统。

智元最新的 GO-2 也直接把问题称为「语义—执行鸿沟」，用动作思维链与异步双系统连接低频规划和高频执行。大家并没有简单地在「一个模型」和「大小脑」之间二选一，而是在缩短模块之间传话的距离。

全身智能，要经得起生活场景的「拷打」

目前具身智能模型的前沿探索，大致都在追三件事：更多本体、更长任务和更少的专用数据。英伟达开源的 GR00T N1.6 吃进了数千小时遥操作数据，已经在智元 Genie-1、宇树 G1 和不同双臂平台上进行后训练，并把全身移动操作纳入数据集。

Physical Intelligence 的 π0.5 则混合不同机器人、网页知识和高层子任务数据，让轮式双臂机器人在陌生住宅里连续清理厨房和卧室，任务时长达到 10 到 15 分钟。而蚂蚁灵波开源 LingBot-VLA 2.0，用 6 万小时数据覆盖 20 种机器人构型，还把手臂、灵巧手、腰、头和移动底盘映射进统一动作空间。

这些都越来越像大语言模型早期的竞争：先用多任务、多本体数据训练一套基础能力，再花少量数据适配具体硬件和场景。Gemini Robotics On-Device 2 用不到 200 个样例适配新本体，最值得关注的也在这里。假如换一副机械臂、换一套传感器都要重新采集海量数据，所谓通用模型就很难形成规模效应。

但机器人比聊天模型更难糊弄。英伟达在 GR00T N1.6 的说明中仍承认，多任务语言跟随和分布外泛化是持续挑战。谷歌的五指任务成功率也清楚表明，同一个模型能控制不同身体，不等于它已经稳定掌握所有身体。更别说真实部署还要面对磨损、电量、碰撞、人类突然闯入和网络中断。

所以，Gemini Robotics 2 最重要的地方，不是给机器人装上了一颗突然开窍的大脑，是在于让具身智能模型开始越过桌面和上半身，把走路、平衡、精细操作、长任务与多机协作放进同一张考卷。相较之下，之前一种任务对应一组算法的做法，更接近前大模型时代的 AI。

与此同时，WAIC 上那些越来越成熟的芯片、关节和整机，已经为 AI 准备了很多副身体。谷歌这次试图证明，模型也开始学会把身体当作一个整体来使用。至于它什么时候能真正走进我们的厨房，弯腰捡起掉在地上的杯子，顺手擦干洒出的水，再在我们回家前把房间收拾好——那不只需要全身智能。