通用机器人，正在从一种身体变成一种架构

文| 具身志，作者 | 仲庆元，编辑 | 越十三 过去一年，机器人行业出现了一个有些矛盾的现象：公司越来越频繁地谈论“通用”，产品却越来越不像同一种机器人。 同样进入工厂，有的机器人换上轮式底盘和负载更大的手臂，有的继续坚持双足。到了门店、仓库和巡检现场，身体还会继续改变：两指夹爪、五指灵巧手、四足底盘，以及不同尺寸的机械臂，开始承担不同工作。 但在这些越来越不同的身体之上，另一种相反的变化也在发生。 2026年7月，蚂蚁集团旗下灵波科技开源LingBot-VLA 2.0，预训练数据覆盖20种机器人构型。同月，Google DeepMind发布Gemini Robotics 2，让同一套模型控制三种不同的机器人配置；英伟达也进一步开放GR00T N1.7的模型权重和训练工作流，让基础模型可以通过后训练适配具体的机器人、任务和环境。 现实工作正在把机器人拆成不同形态，AI又试图把它们重新连接起来。 所谓“通用机器人”，因此不再只是一台什么都能做的机器，也开始成为一套能够长出不同身体的架构。 工作正在选择身体 人形机器人最有吸引力的叙事之一，是人类已经为自己建好了整个世界。 工厂的楼梯、仓库的货架、办公室的电梯，都是按照人的身体和行动方式设计的。与其改造环境，不如制造一台像人的机器人，让它直接使用人类的工具和通道。因此，人形身体本身一度被视为通用性的来源。 但机器人真正上岗以后，“像人”只回答了第一层问题。工作还会继续追问：它要搬多重的东西，连续工作多久，地面是否适合轮子，要不要在人身边运行？ 答案不同，身体就开始分叉。 2025年夏天，智元远征A2-W开始在富临精工的工厂里搬运周转箱。按照披露的数据，首套系统单班可以配送1000箱；后续订单计划让近百台A2-W进入两个车间，单班完成近万次搬箱动作。 到了2026年，智元董事长邓泰华复盘称，这个场景的任务成功率、作业节拍和料箱识别泛化性，已经可以满足基础部署要求。继续扩大应用时，限制反而来自硬件规格、负载能力，以及传感器不足带来的避障和安全问题。智元因此控制推广节奏，并把强调力控与大负载的G2 Max列入后续产品规划。 机器人已经知道怎样识别和抓取箱子，下一步却仍然要换上一副更适合搬箱子的身体。一台机器人会不会搬箱子，与它能不能在人旁边安全、稳定地完成近万次搬运，并不是同一道题。 类似的变化也发生在韩国。ROBROS最初为服务行业推出双足人形机器人IGRIS-C，产品商业化以后，更强烈的需求却来自制造和物流企业。公司因此重新开发执行器，准备把升级版IGRIS-C+的双臂负载从大约6公斤提高到15至20公斤。 但ROBROS没有因此换上轮子。公司认为，许多工厂和船厂原本就是按照双足行走的人设计的。如果客户不想重新改造地面、台阶和通道，双足仍然有自己的价值。 银河通用的产品线更直接地呈现了这种分化。G1用轮式底盘和双臂完成移动、抓取和放置；进入电池工厂后，S1仍是轮式双臂，却为工业重载重新设计，具备双臂50公斤级载重和8小时续航；ET1则长成了一台小型双足机器人。 银河通用的三个本体由同一套“银河星脑”驱动，其开发者平台上，规划中的物料分拣方案包也同时适配G1和S1。 面对不同工作，有的机器人换上轮子，有的继续坚持双足；有的增加负载，有的转向小型本体。真实工作没有让机器人收敛成一副标准身体，反而不断要求它们改变身体。 人形并没有失去价值，但它也不再能自动等同于通用。如果现实工作注定会制造越来越多不同的身体，那么“通用机器人”里的通用，还能由什么承担？ AI开始跨过身体 为每一种工作单独造一台机器人，传统自动化产业几十年前就会了。焊接、码垛和分拣机器人可以很快、很准，也可以长时间稳定工作，代价是每一种设备只能在预先定义好的流程里完成有限任务。 具身智能想降低的，正是这种专用化带来的重复成本。如果每换一个关节、夹爪或者移动底盘，机器人的感知、规划和操作能力都要重新训练，那么产品越多，研发成本反而越高。 机器人公司因此希望，换一副身体并不意味着把此前学会的一切全部清空。 今年7月，蚂蚁集团旗下灵波科技开源LingBot-VLA 2.0。它使用约6万小时数据进行预训练，其中约5万小时机器人轨迹来自20种机器人构型，覆盖单臂、双臂、半人形和人形机器人。 这些机器人的自由度和动作接口并不相同。LingBot-VLA 2.0把它们映射到一套55维的规范化状态与动作表达中，用同一种表示容纳手臂、夹爪、灵巧手、腰部、头部和移动底盘。这并不意味着所有机器人可以照搬同一段动作，而是先把不同身体的控制信号纳入一套共同表达；这些能力如何落到具体机器人上，仍然要由后续训练和执行系统完成。 CrossFormer给出了一个差异更大的实验。研究团队使用约90万条轨迹、20种机器人本体训练同一套策略，数据覆盖机械臂、轮式机器人、四旋翼和四足机器人。最终，同一套网络权重可以控制这些不同本体，也不要求研究人员事先手工对齐所有观察空间和动作空间。 这不代表模型已经能够零样本控制任何陌生机器人。一台四旋翼也不会从四足机器人那里学会走路。真正可能被共享的，是从视觉中找到目标、理解任务、利用不同机器人数据，以及在不同输入和动作接口之间寻找可复用结构的能力。 Google DeepMind在同月发布的Gemini Robotics 2，把这种尝试推进到了更接近产品的一端。同一个模型检查点可以控制三种机器人配置：让Apollo 2完成行走、弯腰和抓取，在装有五指灵巧手的Apollo 2上执行系结和封闭密封袋，也能控制使用两指夹爪的Franka Duo完成装箱和插入任务。 面向新机器人的Gemini Robotics On-Device 2则被设计成原生支持多本体。 DeepMind披露，面对形状、传感器和自由度都明显不同的新双臂机器人，模型通常可以用不到200个样本，经过数小时适配开始工作。 这里最重要的不是“200”这个数字有多小，而是换一副身体仍然需要学习，却不必从零开始。模型可以带着原有的视觉理解、任务知识和操作经验进入新的机器人，再用较少的数据熟悉这副身体的能力边界。 英伟达的GR00T N1.7也沿着类似方向发展。它的训练数据覆盖双臂、半人形和人形机器人，基础模型可以通过后训练适配新的机器人、任务和环境。模型还使用相对末端执行器动作空间，尝试先表达机器人的手应该怎样移动，再由具体机器人的控制系统将其转换成关节运动。 这些模型没有给出同一种技术答案，却指向同一种变化：机器人的身体可以不同，但数据、模型和一部分已经学会的能力，不必永远锁死在某一台机器里。 身体因工作而分化，智能则开始寻找跨过这些差异的办法。 身体没有因此消失 跨本体模型很容易制造一种想象：只要机器人的“大脑”足够强，同一个模型最终就可以像软件安装到不同电脑上一样，被装进任何机器人。 不过，真实的物理交互没有这么简单。一台机器人知道“把灯泡拧下来”，不等于它已经知道这副手应该用多大的力，手指从什么角度接触灯泡，以及灯泡轻微滑动以后应该怎样调整。 在Gemini Robotics 2公布的测试中，配有SharpaWave五指手的Apollo 2拧下灯泡，成功率达到92%；但把灯泡重新拧回去，成功率只有36%。扎紧垃圾袋约为44