坐在苏州的办公室里回看WAIC2026的素材，我最强烈的感受不是热闹，而是行业叙事正在换挡。超过两百家机器人相关企业、三百多台真机同台，宇树三米高的载人变形机甲切换形态，智元机器人用镊子夹起两毫米电阻焊到电路板上，后空翻和机械舞依旧能围住观众，但厂商已经不再满足于证明机器人会动。大家更想证明的是，机器人能不能干活，能不能持续干活，能不能在不同场景里干更多活。

做产品架构的人都知道，会跑、会跳、会伸手，已经不是最稀缺的能力。身体可以靠供应链和集成能力逐步堆出来，真正难的是大脑，是让机器人在混乱环境里看懂局面，判断下一步，再把这个判断稳定地送到几十个关节。WAIC结束一周多后，Google DeepMind推出Gemini Robotics 2，一个主打全身智能的机器人通用模型。它的意义不在于又增加了一段演示视频，而在于把一个老问题摆到台面上：机器人的身体已经越来越完整，控制系统能不能跟着完整起来。

所谓全身智能，听起来抽象，落到人体动作上却很具体。人弯腰捡起地上的水壶，会自然前倾、屈膝、伸手，同时调整重心；封一只自封袋，会先对齐两侧封口，再用手指从一端捏到另一端，并根据塑料形变调整力度。机器人则要连续算对一串彼此牵制的动作。身体零件越齐全，控制变量越多，双腿、躯干、双臂和手指之间的耦合就越像滚雪球。过去很多系统把腿交给行走模块，把手交给抓取模块，把导航交给规划模块，看似职责清晰，实际上物理世界并不按模块边界运行。

Gemini Robotics 2这次发布包含三个模型。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则把动作模型压缩到本地，并能用少于两百个样例、几小时数据适配新的机器人本体。这个组合的关键不是单点模型更大，而是谷歌开始用一组模型协调同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。

我更愿意把它理解成一次系统边界重划。过去不少机器人演示都有明显的回合制游戏感：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，再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，但桌子偏了一点、物体滑了一下，或者必须边走边维持抓握，独立模块之间的接缝就会露出来。对研发负责人来说，这种接缝不是视频里的小瑕疵，而是产品能否进入真实场景的分水岭。

上一代Gemini Robotics主要控制机器人上半身，处理桌面任务。到了这一代，官方视频里的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。这些动作看似平平无奇，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，双腿必须及时补偿；如果脚步没跟上，手再准也会把整体姿态拖垮。

这就是全身控制的实际含义：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。这种跨本体能力很重要，因为它意味着模型能力不再被某一套硬件彻底锁死。但从工程角度看，跨本体不是换个末端执行器那么简单，不同关节构型、自由度、负载和延迟都会改变动作分布，模型必须在通用性和可控性之间找到平衡。

官方测试数据也说明，全身控制远未成熟。Apollo走路、下蹲和摆放物体的速度都很慢，从桌面、地面和货架取物的平均成功率分别为百分之六十八点四、四十五点七和七十六点三。最能体现全身控制价值的地面取物，恰好也是成功率最低的一项。这个结果并不意外。桌面任务支撑面稳定，货架任务高度和位置相对可控；地面取物则同时要求下蹲、前倾、伸手、重心补偿和起身后的平衡，任何一个环节误差过大，任务就会失败。

如果说全身控制解决的是机器人怎么抵达、怎么站稳，那么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。Apollo 2使用一只拥有二十二个自由度的五指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。过去最常见的抓取演示，只是把硬物从A点搬到B点；这些任务却涉及连续接触、双手配合和材料形变。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。

谷歌公布的两指夹爪成绩相当不错：通用抓放、工具配套和精密插入的平均成功率分别达到百分之七十四点二、七十八点九和八十九点六。这说明在结构相对简单、接触状态可预测的任务里，VLA已经能接管相当复杂的手部动作。可一旦进入多指灵巧操作，差距迅速拉开：拧下灯泡达到百分之九十二，拧上灯泡只有百分之三十六，扎垃圾袋是百分之四十四，使用簸箕和封自封袋分别只有百分之三十二和百分之四十。这组数字比演示更有价值，因为它把行业瓶颈精确地暴露出来。

拧下和拧上灯泡的差异很能说明问题。拧下可以借助已有螺纹关系，发力方向相对宽容；拧上则需要先对准、再试探、再轻压旋转，任何角度偏差都可能滑牙或卡死。垃圾袋和自封袋的难点不在于力大，而在于材料会持续变形，视觉只能看到表面，触觉和力反馈却决定成败。所谓好看维，不能只看动作是否流畅，更要看系统如何定义失败、如何记录失败、如何在下一次尝试中修正。没有这种专业力，机器人展示越炫，离稳定产品越远。

协作部分同样值得关注。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。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。这意味着机器人不再只是单臂执行器，而是开始进入任务流：它要知道谁负责什么，当前状态是否完成，失败后是重做、换工具还是请求帮助。对于多机工位设计而言，这比单机表演更接近未来工厂的真实组织方式。

这也绕不开行业常说的大小脑架构。具身智能领域普遍把机器人系统概括成大脑和小脑：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。问题在于，物理世界不喜欢整齐的模块边界。抬起重物会改变平衡，向前迈步会改变手臂可达范围，手里的杯子一滑，路径规划马上作废。如果高层完全不理解这些动态约束，低层就只能不断补丁；如果低层只顾稳定，高层的长任务又会被频繁打断。

谷歌没有放弃大小脑。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。谷歌真正改变的，是动作层的组织方式：不再把走路、平衡、躯干和手臂切成一堆互不相干的小脑，而是用一个VLA统一全身动作，让ER 2一边观察执行，一边思考后续步骤。用一句话概括这条路线，就是高层仍然分层，身体开始端到端。这种架构既保留了大模型的语义能力，也减少了低层模块切换带来的接缝。

安全是产品化绕不过去的保障力。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。这个选择很务实。VLA可以统一动作，但不能把碰撞、力矩超限、急停和功能安全全部交给概率模型处理。家庭和工厂场景里，老人突然经过、工人误闯工位、地面线缆缠绕，都要求系统在毫秒级做出保护动作。模型负责判断任务是否合理，传统控制器负责守住物理底线，二者必须互为冗余。

这条路线也不是谷歌独有。Figure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以两百赫兹输出全身关节目标，System 0以一千赫兹处理平衡和接触，System 2负责语义推理。智元的GO-2把问题称为语义到执行的鸿沟，用动作思维链与异步双系统连接低频规划和高频执行。把这些方案放在一起看，行业共识正在形成：高层推理不需要和电机控制同频，但身体动作必须在一个连续空间里被统一考虑。

从专利维看，竞争焦点也会发生变化。过去很多专利围绕机械结构、关节构型和外观方案展开；未来更有壁垒的，可能是全身动作表示、跨本体适配、失败检测、安全约束接口以及多机任务编排。谁能把这些系统能力沉淀成可复用的工程框架，谁就更可能在标准制定中占据主动。专利不是为了堆砌数量，而是要保护架构选择中的关键取舍，尤其是那些决定产品稳定性和适配效率的环节。

Gemini Robotics On-Device 2的少样本适配，则直接关系到成本维和量产维。它用不到两百个样例适配新本体，听起来数据量不大，但真正考验团队的是数据质量、动作分布覆盖和微调流程。如果每进入一个新场景都要重新采集数千小时遥操作数据，机器人很难规模化；如果本地模型能在几小时数据内完成迁移，部署成本才有下降空间。当然，少样本不等于无成本，夹具、相机位置、控制延迟和安全边界都需要工程校准。

这也是为什么我认为，Gemini Robotics 2最重要的地方不是某项成功率，而是它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。过去的系统可以在单项能力上刷分，现在必须同时回答多个问题：能不能到现场，能不能站稳，能不能碰到，能不能操作，能不能发现失败，能不能和人、和其他机器人协同。题目变难了，但评价方式也更接近真实产品。

把视野放大，行业正沿着三个方向推进：更多本体、更长任务和更少专用数据。英伟达GR00T N1.6吃进数千小时遥操作数据，在智元Genie-1、宇树G1和不同双臂平台上进行后训练；Physical Intelligence的π0.5混合不同机器人、网页知识和高层子任务数据，任务时长达到十到十五分钟；蚂蚁灵波LingBot-VLA 2.0用六万小时数据覆盖二十种机器人构型，把手臂、灵巧手、腰、头和移动底盘映射进统一动作空间。每条路线背后都是不同的数据策略和商业假设。

谷歌选择的是通用加大脑加本地适配，英伟达强调跨本体后训练，Physical Intelligence强调长时任务和知识混合，蚂蚁灵波则用大规模多构型数据覆盖统一动作空间。对国内研发团队来说，不必简单复制某一家。苏州及周边有完整的电子制造、装备和供应链基础，企业更应该想清楚自己的场景边界：是做工厂工位、仓储拣选，还是家庭服务；是优先解决移动取物，还是优先解决双手装配；是自建数据闭环，还是接入通用模型再做轻量适配。

合规维也会随着能力提升而变得更具体。机器人能够移动、抓取、与人协作，就必须面对功能安全、数据采集、隐私保护、远程干预和责任界定。ER 2请求人类介入的设计提示我们，未来产品不一定要追求完全无人化，而要明确哪些决策可以自动执行，哪些动作必须人工确认。把人类介入流程设计得自然、清晰、可追溯，本身就是工业设计的一部分。它不是能力不足的补丁，而是复杂系统进入社会场景的必要接口。

从产品定义看，真正的创新力不是让机器人模仿更多人类动作，而是把不稳定的演示转化为可交付的任务能力。Apollo 2地面取物成功率偏低，反而提醒团队要重新规划场景：是否允许机器人跪地降低重心？是否把地面物品改为料箱配送？是否通过工作区改造减少极限动作？好的系统设计常常不是让硬件硬扛所有不确定性，而是通过场景、工具、节拍和人机分工，把难度降到模型可稳定覆盖的范围内。

控制力则体现在节奏上。现在行业容易被视频带着走，一会儿追求后空翻，一会儿追求拧灯泡，却忽视了连续运行、故障恢复和维护成本。Gemini Robotics 2把多项任务放在同一框架下测试，说明评估体系正在从单点炫技转向系统能力。研发团队也应建立自己的考卷：同一任务连续运行多少次，光照变化后成功率下降多少，夹爪磨损后是否还能精密插入，网络中断时本地策略能否安全停机。

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。模型在实验室里能封自封袋，不代表在客户现场连续工作八小时后依然可靠；多指灵巧手能拧灯泡，也不代表维护成本和备件成本可以被客户接受。量产维考验的是一致性、可维修性、备件体系、标定流程和软件升级机制。如果一台机器人每换一个场景都需要资深工程师驻场调试，那么再高的演示成功率也难以转化为商业订单。

因此，Gemini Robotics 2给我的启发，不是机器人终于拥有了完美大脑，而是行业开始用更诚实的方式面对身体。过去的分割控制让机器人像一组各自优秀的零件，全身VLA则试图让它成为一个能在运动中操作、在操作中维持平衡、在失败后重新决策的系统。这条路还很长，地面取物不到五成的成功率和多指灵巧操作的巨大波动，都说明最后几厘米仍然艰难。

但方向已经清晰。高层负责理解和规划，全身模型负责动作协同，本地模型负责低成本适配，传统控制器负责安全底线。未来能胜出的团队，未必是演示最炸裂的团队，而是能在架构、数据、硬件、安全和成本之间做出稳定取舍的团队。机器人会走路只是开始，真正的考题是它能不能走进现场，站住，做事，并在事情没做好时知道如何停下来、重来或求助。