通用大模型正在重做机器人的研发与交付

文 | 智讯智库分析师 陈宥文 这次，把机器人行业推到分叉路口的，是通用大模型这个“最熟悉的陌生人”—— 有人拿它“替掉”VLA，有人拿它“加速”VLA。 短短两天，两桩标志性事件先后落地，把这条分叉路的两端踩得异常清晰。 10月16日，工业自动化初创公司MicroFactory创始人披露，据其自述，在单次客户部署项目中，团队采用通用大模型生成控制方案、专用程序执行作业的路线，整套系统基于Claude Opus、GPT-6 Astra等通用大模型搭建[1]——机器人连续1.5小时自主装配电子产品且全程零操作失误，覆盖的自动化范围超出团队最初预期[2]。 图注：连续1.5小时零操作失误为公司披露结果。来源：MicroFactory创始人Igor Kulakov（X），2026-10-16 仅仅两天前的10月14日，机器人研发与真机评测平台Poke & Wiggle走出了另一条路径：他们让Claude Opus 5.5接管了从读论文、写算法到训模型、测真机的全流程，尝试复现10篇近期机器人研究论文的核心结论[3]。大模型并非用来替代专用视觉-语言-动作模型（Vision-Language-Action Model，VLA），而是为VLA的研发与迭代提速。 两项案例共同呈现的变化，是通用大模型开始承担更多机器人方案设计、代码实现、调试与实验编排工作。目前更有依据的判断是，机器人集成与研发流程正在发生变化；这些进展尚不足以证明通用大模型能够普遍替代VLA。 通用大模型，切入机器人系统的三种模式 这里所说的通用大模型，是指面向通用场景训练、具备多模态推理与代码生成能力的大型语言模型（LLM）。从近期实践看，通用大模型切入机器人系统，主要沿三条路径展开： 三种模式并非互斥，完全可以在同一套系统中组合使用：固定工位的重复动作交给专用控制程序，复杂柔性操作调用VLA策略，高层的任务组织与研发流程则由通用Agent统筹。 今年7月Anthropic的一项研究也印证了这一点：他们对比了直接控制、生成控制代码、监督已有策略、训练新策略等多种交互方式，发现模型的实际表现高度依赖于连接方式。复杂机器人对底层控制的刚性要求，始终是技术选型绕不开的约束[4]。 这也意味着，接下来的行业比拼，从来不是“谁家模型更强”这么简单。同样的通用大模型，搭配不同的接口架构、数据链路、控制逻辑与评测体系，最终的落地效果可能天差地别。 MicroFactory的路径：通用大模型生成方案，专用控制程序执行 MicroFactory这次实践的核心，是把高层推理与快速执行拆成了两层。 基于Opus、Astra的AI智能体（Agent，指基于大模型构建、具备自主规划与工具调用能力的智能体）负责理解任务目标、选择控制算法、编写自动化代码；大量重复性的执行动作，则交给生成好的视觉与控制程序完成。只有当现场出现程序无法覆盖的新状况时，通用大模型才会介入调整流程[1]。 这和过去“大模型逐帧感知、一步一指令”的控制逻辑截然不同：程序一旦通过验证，就能以固定节拍高速重复运行，既省去了生产过程中持续调用大模型的Token成本，也消除了每轮推理带来的响应延迟。 本质上，这仍是工业自动化一贯的工程哲学： 凡能固化的动作，绝不浪费通用能力。 面对姿态各异的来料零件，系统通过辅助工装完成分离、翻转和重新抓取；面对高精度插装工序，则由通用大模型生成视觉与控制程序，结合视觉反馈调整装配精度[1][5]。即便是抓取螺丝这类基础动作，团队最终也选择了成本约300美元的自动供料器来保证稳定性[6]。 最终呈现的是一套极度务实的技术组合： 通用大模型负责快速生成方案、应对非标变化；视觉算法、小型专用模型、工装夹具与机械臂共同负责稳定执行。 MicroFactory官网也明确划分了两类适用场景：抓取、连接器插装等重复性高的任务，优先采用AI生成的自动化程序；需要持续推理、灵活应变的复杂任务，再直接调用通用大模型——后者会消耗更多Token，执行速度也相对较慢[5]。 换句话说， 更强的通用AI，价值在于生成更适配的程序和工具，以此提升机器人的整体效率，而非亲自介入每一次动作循环。 这种“重开发、轻执行”的分工，也直接重构了大模型的成本曲线。模型调用费用不再持续发生在生产全流程，而是集中在方案开发和任务换型阶段。按照MicroFactory的模式，用户仅在产线训练、工艺重构时支付模型调用费用；任务定型后由本地模型（部署在产线本地、无需云端调用的轻量控制模型）执行，无需持续支付云端调用费，设备报价中已包含五年的本地模型许可[5]。 对于多品种、小批量的制造场景，换型的编程与调试成本向来是自动化落地的核心门槛。如果这部分投入能显著下降，很多原本不具备经济性的自动化项目或将变得可行。 当然，方案的最终验证仍需落在生产节拍、产品良率、人工干预频率等长期指标上——据创始人自述，单次客户部署场景下连续1.5小时零失误——这只是其中一项阶段性证据。 Poke & Wiggle的路径：通用大模型接管研发实验台 如果说MicroFactory把大模型用在了执行的“最后一公里”，Poke & Wiggle则把通用AI推到了研发的“最上游”。 其推出的Poker平台，把数据预处理、模型训练、真机评测全链路打包成标准化接口。Agent可以自主完成从读论文、选任务、复现算法，到训练基线模型、申请真机验证的全流程；现场团队负责工位准备、环境复位与质量检查，研究人员参与方法审核，并在需要时纠正实验方向[3]。 图注：Poke & Wiggle此前公开的机器人实验设施。现场人员承担工位准备、环境复位与质量检查。来源：Poke & Wiggle官网。 这套自动化科研流程很快跑出了可量化的结果，同时，也毫不掩饰地暴露了真实问题。 在Patch Policy实验中，团队使用同一预训练视觉编码器，对比密集视觉特征与单个CLS特征的效果。在其所选任务与评测条件下，前者将任务成功率从约3.3%提升至25.6%，提升幅度约22.2个百分点。相对改善得到了明确验证，但绝对成功率依然偏低，也侧面反映出这类任务在当前实验设置下的固有难度[7]。 更耐人寻味的是DSD实验，它无意中揭开了AI做科研的一体两面： 既能高效跑通复杂流程，也可能悄悄改变实验的核心前提。 Agent首次执行时，自行扩大了动作归一化的取值范围，结果在其平台设定的任务与评测条件下，并未发现DSD相对基线的明显优势[8]。当研究人员要求恢复论文规定的基线参数后，DSD成功率达到45.3%，基线为32.0%，领先13.3个百分点[9]；而在Agent扩大后的取值范围下，基线成功率反而达到46.0%，与DSD几乎持平。最终的原始记录同时保留了复现结果，以及参数偏移带来的影响[8–9]。 图注：DSD实验对照：论文原始主张与两轮复现结果。(a) DSD论文真机实验结果，论文报告DSD-BIN平均成功率较BIN提升13.3个百分点（60.0%→73.3%，无机器人预训练）；(b) Agent首轮复现报告：自行将动作归一化取值范围从论文的1/99分位扩大至0.1/99.9分位后，未观察到DSD相对基线的明显优势（45.3% vs 46.0%）；(c) 恢复论文基线参数后