刚被判“死刑”的具身模型，被谷歌救了？

出品｜虎嗅科技组 作者｜易玉琴 编辑｜苗正卿 头图｜Google DeepMind 具身大模型，差点被判“死刑”。 就在前一天，Anthropic发布的Claude Fable 5.2，让不少机器人研究人员感叹：专门训练的具身模型，难道要被通用大模型淘汰了？ 在测试机器人操作能力的RoboDojo Sim基准中，Claude Fable 5.2在42项任务中取得64.9%的平均成功率，远超GPT-6 Astra的29.8%，表现也优于多数机器人专用模型。 更令人意外的是，在没有针对部分任务进行专门训练的情况下，Claude已经能够控制真实机器人拧瓶盖、解魔方，甚至画画。 当通用模型开始展现如此强的机器人操作能力，具身专用模型的价值也受到质疑。 然而，仅仅一天后，谷歌就给出了不同的答案。 11月10日， Google DeepMind发布Gemini Robotics 2.5 ，号称其迄今最强的机器人视觉-语言-动作（VLA）模型。 根据谷歌公布的数据，新模型在200多项任务中接受评测，相比此前基准， 部分任务的成功率相对提升30%至100%，执行速度提高20%至30% 。 并且，这款模型已经走进汽车工厂。在德国和匈牙利的奔驰生产线上，搭载Gemini Robotics 2.5的Apollo 2人形机器人，能够自主完成汽车零部件分拣、抓取和摆放， 任务成功率达到96% 。 刚刚被质疑的具身模型，真的被谷歌救了？ 谷歌让具身大模型进厂了 这一次，谷歌拿出的成绩单，比以往更接近真实工业需求。 根据官方披露，Gemini Robotics 2.5主要在三个方面实现提升： 灵巧操作、任务可靠性和物理安全性。 首先是操作能力。 谷歌对新模型进行了超过200项任务测试，涵盖使用夹子夹取食物、给礼盒系蝴蝶结、使用移液管等操作。 这些任务看起来简单，对机器人却并不容易。 以系蝴蝶结为例，机器人需要同时控制双手，感知丝带形状，并根据材料变形不断调整力度和动作。稍有偏差，丝带就可能滑落或打结失败。 在谷歌公布的测试中，新模型用夹子装取糕点的成功率由此前的5%提高至100%，解开蝴蝶结的成功率由0提高至70%，合上工具箱盖子的成功率则由0提高至93%。 整体来看，相比此前的基准模型，Gemini Robotics 2.5在不同类别任务上的成功率相对提升30%至100%，执行速度提高20%至30%。 同时，新模型能够适配不同类型的机器人，包括配备五指灵巧手的Apollo 2，以及使用双指平行夹爪的Franka Duo。 这意味着，谷歌正在尝试让同一套机器人智能能力适用于不同硬件形态，减少每换一副机器人身体就重新训练模型的成本。 但更值得关注的进展发生在奔驰工厂。 在德国辛德芬根和匈牙利凯奇凯梅特的汽车生产线上，谷歌与Apptronik、奔驰合作，让Apollo 2人形机器人承担汽车零部件的分拣与配套工作。 具体来说，机器人需要从装有金属支架的料箱中取出零件，再按照生产顺序放入指定托盘，为后续汽车装配做好准备。 这类工作高度重复，却要求机器人准确识别、抓取和摆放零件。一旦出现偏差，还需要及时纠正。 谷歌采用了两套模型协同工作的方式：一套模型理解任务和工作流程，另一套负责控制机器人的手臂与灵巧手，完成具体操作。 最终，Apollo 2在这项概念验证中取得了96%的任务成功率。 Apptronik联合创始人兼CEO Jeff Cardenas表示，借助Gemini Robotics，Apollo 2在短短几周的后训练中就实现了明显进步，迁移到奔驰真实生产线后，性能也没有出现明显下降。 不过，96%的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，以及机器人与工人之间的生产节拍差异。 对于汽车工厂而言，完成一次分拣和连续稳定工作数千小时，是两回事。 尤其是在工业生产线上，真正决定机器人能否留下来的，除了操作成功率，还有故障恢复能力、维护成本和投资回报率。 因此，Apollo 2的表现更像是一次颇具说服力的技术验证，距离大规模商业部署仍有不少问题需要回答。 但至少，谷歌已经证明，具身模型的能力可以从实验室延伸到真实工业环境。 谷歌让AI开始训练AI 相比机器人学会了多少新动作，这次发布还有一个容易被忽略的变化：谷歌正在改变具身模型的训练方式。 过去，机器人学习新技能，往往需要研究人员反复采集数据、设计训练任务，再通过真机测试不断修正。 这个过程既昂贵又耗时。 尤其是涉及灵巧操作时，机器人需要学习如何控制抓取力度、处理物体变形，以及应对接触过程中产生的复杂变化。 即便模型在某项任务上取得进展，换一件物品、换一个场景，也可能需要重新训练。 如今，谷歌试图让通用基础模型承担一部分工作。 根据Google DeepMind披露，Gemini 4 Argon已经被引入机器人研发流程，用于生成仿真训练场景、分析失败原因，以及辅助研究人员改进训练策略。 例如，研究人员只需要提供真实场景的摄像头画面，Argon就能够帮助构建数字孪生环境，生成数千次不同条件下的模拟练习。 如果机器人在某次操作中失败，模型还可以分析失败视频，提出可能的原因，并协助研究人员在仿真或真机环境中验证改进方案。 相当于让机器人拥有了一个能够反复组织练习、分析错误的AI助手。 当然，这套方法依然需要真实世界的数据和训练示范，现阶段还无法完全摆脱真机采集。 但其潜在价值十分明显。 过去，机器人掌握一项新技能，需要大量人工参与的试错过程。随着通用模型介入，部分训练工作可以在虚拟环境中完成，研究人员也能更快找到有效的改进方向。 这意味着，具身模型的竞争可能出现新的变化。 此前，行业普遍关注谁拥有更多机器人数据、谁建立了规模更大的数据采集中心。 未来，除了数据规模，模型能否高效利用数据、能否自动发现问题、能否通过仿真加快学习，也将成为重要竞争指标。 而在这方面，拥有强大通用基础模型、算力和仿真技术储备的科技巨头，显然具备一定优势。 对于谷歌而言，Gemini 4 Argon和Gemini Robotics 2.5正在形成相互配合的研发体系。 通用模型可以辅助机器人学习，专用模型则持续积累真实世界的操作能力。 这种组合，也为近期的具身模型路线之争提供了一个新的观察角度。 具身模型，被谷歌救了？ 过去两年，具身智能行业一直存在两条不同的技术路线。 一条是专门训练机器人模型，通过大量真机数据、动作数据和物理交互经验，让机器人掌握操作能力。 另一条则是利用通用基础模型已有的视觉理解、推理和规划能力，进一步拓展到机器人控制。 随着GPT-6 Astra、Claude Fable 5.2等通用模型在机器人任务中不断取得突破，第二条路线开始受到更多关注。 其背后的逻辑并不复杂。 如果通用模型已经能够理解环境、规划动作，甚至控制机器人完成部分任务，那么企业是否还有必要投入大量资金，从头训练一套具身基础模型？ 不过，谷歌的最新进展表明，问题可能没有这么简单。 尽管通用模型已经展现出较强的机器人操作能力，但理解任务与在真实世界中稳定完成操作之间，依然存在差距。 例如，模型可以准确判断应该怎样抓取杯子，但真正执行时，还需要处理手指与杯子之间的接触、抓取力度