
WAIC2026:人形机器人成人礼
前段时间,雷科技WAIC2026报道团亲赴现场,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机器人不只会动,还能干活,甚至干更多活。
造“身体”易,造“大脑”难
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。
Google DeepMind推出Gemini Robotics 2
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。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。
全身智能的体现
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。上一代Gemini Robotics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;还会走到货架前,取出一只棒球手套,随后转身离开。这些动作背后同时依赖视野、可达范围、步态和重心。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。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。不过,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%。
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;Franka Duo的两只夹爪负责把形状各异的工具紧密装进工具箱。过去机器人最常见的抓取演示,只是把一个硬物从A点搬到B点,而这些任务涉及连续接触、双手配合和形变。谷歌公布的成绩显示,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%。
机器人协作新尝试
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。不过,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”
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。但物理世界并不喜欢整齐的模块边界,高层计划与底层动作理解不一致,错误会在长任务中累积。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。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。而且这条路线也不是谷歌独有,Figure在今年初发布的Helix 02,智元最新的GO - 2都有类似做法。
全身智能要经得起生活场景“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,Physical Intelligence的π0.5,蚂蚁灵波开源LingBot - VLA 2.0都有相关成果。Gemini Robotics On - Device 2用不到200个样例适配新本体,值得关注。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。Gemini Robotics 2最重要的地方,是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。而WAIC上那些成熟的芯片、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生活,那不只需要全身智能。
383



被折叠的 条评论
为什么被折叠?



