发布口径:开放的是合作名单,不是接口
2026 年 11 月 10 日,Google DeepMind 发布 Gemini Robotics 2.5,新闻稿的定义是「迄今最强的视觉—语言—动作(VLA)机器人模型」。紧随其后的三个限定比形容词重要:面向机器人合作伙伴开放,走早期访问等待名单,没有公共 API,没有权重,没有定价。
这三条缺失决定了它现在不是可被开发者调用的产品,而是一份能力声明加一份合作邀约。国内不少转述把「开放」读成「可以用」,是误读。等待名单意味着筛选,筛选意味着要谈硬件形态、场景边界与数据回流条款。对一家做机械臂的公司,真问题不是「能不能调用」,而是「愿不愿意把产线视频交出去换早期访问资格」。
同样要在一开头钉住的是数字归属。200 余项真实任务、相对旧基线成功率提升 30% 到 100%、速度提升 20% 到 30%,属于 2.5 动作模型;而 ASIMOV-Jailbreak 基准上 99.5% 的越狱抵抗率属于 Gemini 4 Argon,不是 2.5,上一代 ER 2 在同一基准是 82%。把 99.5% 写成「2.5 的安全成绩」,是目前流传最广的一处张冠李戴。
三层结构:谁想、谁做、谁练
这套系统的分工一句话能说完:ER 想,2.5 做,Argon 练。
Gemini Robotics ER 是具身推理层,读实时画面做规划、跟踪流程、判断异常。它输出的不是关节角度,而是「先抓左边那个支架,翻面,插进第三格」这种级别的子任务,时间尺度在秒到十秒。
Gemini Robotics 2.5 是 VLA 动作层,收 ER 的子任务与当前画面,直接输出手臂轨迹与五指手关节动作,时间尺度在几十到几百毫秒,控制频率通常在数十赫兹量级。硬件对接两类平台:Apptronik Apollo 2 配 SharpaWave 五指手,22 个自由度;Franka Duo 双臂平台配平行夹爪。
Gemini 4 Argon 是仿真引擎,做三件事:从一段真实相机画面重建数字孪生;一次生成上千种变体练习场景,改光照、材质、摆放与遮挡;从失败视频推测原因。第三件事最值钱,它把「这条轨迹为什么撞了」从人工看回放变成可批量归因的流程。
| 层 | 角色 | 输出 | 时间尺度 | 典型失败模式 |
|---|---|---|---|---|
| Gemini Robotics ER | 具身推理与流程规划 | 子任务序列、流程状态 | 秒级到十秒级 | 步骤错、顺序错、漏检异常 |
| Gemini Robotics 2.5 | VLA 动作控制 | 手臂轨迹、手指关节 | 数十到数百毫秒 | 抓空、滑脱、碰撞、姿态偏差 |
| Gemini 4 Argon | 仿真与数据生成 | 数字孪生、变体场景、归因 | 离线,小时级 | 仿真与现实的域差 |
三代时间线:从把 agent 带进物理世界到全身智能
2025 年 9 月的 1.5 版本,主题是把 agent 带进物理世界。它证明语言理解可迁移到动作输出,但动作是一次性的,做完就停。
2026 年 7 月的 2.0 版本,主题是全身智能。动作空间从单臂的七维扩到含躯干、腿、腰的数十维。难点不在模型容量而在协调:手要够远处的物体,躯干得先倾、腿得先调支撑,否则重心出界。
2026 年 10 月的 Gemini 4 Argon 补的是数据。机器人数据靠遥操作采集,一条有效轨迹的成本以分钟人工计。Argon 把真实场景复制成可参数化的场景族,用仿真把数据量放大,再用少量真实数据做校正。
2026 年 11 月 10 日的 2.5 补的是分工与安全。规划与动作拆开,各层在自己的频率上跑;引入推理时引导做实时安全约束;灵巧手从「能抓」推到「能做细活」——夹子分餐、系礼盒蝴蝶结、移液枪取液,共同点是对指尖力控与位姿精度的要求远高于搬运。
为什么「想」和「做」必须拆成两个模型
直接的答案是频率不匹配。任务级规划的最优决策频率是秒级甚至更慢,一个分餐序列在几秒内不会变,每秒重算是浪费;动作级控制要几十赫兹,慢了就跟不上物体运动,抓取瞬间的位姿误差直接变成滑脱。
塞进一个模型只有两条路,都别扭。按高频跑,每帧重跑完整推理,算力随频率线性涨,而规划结果绝大多数时间重复;按低频跑,指令缓存几秒就过时,物体一被碰动整个序列失效。
拆开后接口设计成了关键。ER 交给 2.5 的不能是自然语言,太含糊;也不能是关节角度,那等于越权。合理形式是结构化子任务加空间约束:目标物体、目标区域、允许的接触方式、禁止穿越的区域。2.5 在这个约束盒子里做轨迹优化,自由度够用,又不至于跑偏。
第二个理由是错误可归因。任务失败是规划错还是动作错?合在一起只能整体重训;拆开之后看子任务序列是否合理就能定位。产线调试的时间成本主要花在定位,不是花在训练。
第三个理由是安全能分层施加。规划层做「不去危险区域」的硬约束,动作层做「接近障碍物降速、接近人留余量」的软约束。推理时引导适合放在动作层,因为它要逐帧评估。障碍物附近安全完成率提升 33%、人员附近提升 43%,对应的正是动作层的实时约束,不是规划层的规则表。
全身控制:重心是动作问题,不是规划问题
上一代系统的隐性低效是「先站好再伸手」。基座固定时这没问题,人形平台上就成了瓶颈:每次伸手先把双脚摆成稳定姿势、躯干回正,再启动手臂。这个准备动作在实验室看不出,在产线上是实打实的节拍损失。
全身智能的意义是把重心调整并入动作序列。够远处物体时,躯干前倾、非支撑腿后撤、支撑腿微屈,这一串和手臂轨迹是同一个优化问题的解,不是先解完再执行的前置条件。从控制角度看,这是把姿态约束从硬约束降级为软约束,代价是可行域变大、求解更难,收益是动作连续。
这也解释了速度提升 20% 到 30% 的来源。换代模型算力开销通常是涨的,这个幅度不太可能来自单纯推理加速;更合理的解释是动作序列变短——省掉准备姿势,减少中途停顿与重规划。速度影响节拍,成功率影响人工介入,两者在成本模型里要分开算。
200 个任务的分层评测与 96% 的边界
评测方法比模型规模更值得学。口径是 200 余项真实任务,覆盖三类:夹子分餐(精细操作、软物体、力控)、系礼盒蝴蝶结(柔性物体、双手协调、长序列)、移液枪取液(精度、液体、可量化误差)。分类不是按物体,而是按难点类型:柔性、精度、长序列。
奔驰的案例更具体:匈牙利 Kecskemét 与德国 Sindelfingen 工厂,用产线做 kitting,按每台车的装配顺序把金属支架从散料箱分拣到排序托盘,试点成功率 96%。
口径必须钉死。96% 是单一工位、特定流程的概念验证成功率,不等于整班八小时稼动率。差别在于:概念验证通常挑物料状态较好的班次,有工程师在场,失败立即人工复位并记录;整班运行要面对物料堆叠变化、光照漂移、设备热漂移、换型切换。官方未披露任务时长、试验次数、产线节拍,也未披露故障后的自动恢复能力——没有这四个数,96% 换算不出任何产能指标。
还有一处措辞陷阱:「提升 30%」不等于「做到 30%」。发布材料给的是相对旧基线的提升,没有各任务绝对成功率分项。旧基线 40% 时提升 30% 是 52%,旧基线 70% 时是 91%,两者在产线可行性上差一个量级。
计算:96% 折算成人工介入与年停机差
下面这段脚本做的事很朴素:把百分比成功率翻译成产线听得懂的两个单位——每千次抓取要人工介入几次,一年因此停多少小时。前五行参数是我的假设,不是官方数据;实际使用时换成自己工位的实测值即可。
"""单工位抓取成功率 → 人工介入次数与年停机小时(参数为假设值)"""
GRASP_PER_HOUR = 120 # 节拍 30 秒/次抓取
RUN_HOURS_YEAR = 4000 # 两班制,年运行 4000 小时
INTERVENE_SEC = 45 # 一次介入含判断与手动复位
RESTART_SEC = 15 # 介入后恢复自动运行
DOWNTIME_COST = 3000 # 该工位停线机会成本,元/小时
total = GRASP_PER_HOUR * RUN_HOURS_YEAR
print(f"年抓取次数: {total:,}")
for sr in (0.96, 0.99, 0.999):
fails = total * (1 - sr)
hours = fails * (INTERVENE_SEC + RESTART_SEC) / 3600
print(f"成功率 {sr:.3%}: 每千次介入 {(1-sr)*1000:.1f} 次 | "
f"年介入 {fails:,.0f} 次 | 年停机 {hours:,.1f} 小时 | "
f"机会成本 {hours * DOWNTIME_COST:,.0f} 元")跑出来:年抓取 48 万次;96% 对应每千次介入 40 次、年介入 19200 次、停机 320 小时、机会成本 96 万元;99% 对应 10 次、4800 次、80 小时、24 万元;99.9% 对应 1 次、480 次、8 小时、2.4 万元。
这组数说明的是斜率不是绝对值。96% 到 99%,停机降到四分之一;99% 再往上,降到十分之一。制造业死盯 99.9% 不是追求完美:一条两班制线年可用工时只有 4000 小时,320 小时停机已经吃掉 8%,任何「智能」溢价都被抵消。
制造业追问的也从来不是成功率,而是三个更硬的指标:一次失败多久恢复、失败能否被系统自己识别、连续运行多久性能不漂移。
| 指标 | 96% 档 | 99% 档 | 99.9% 档 |
|---|---|---|---|
| 每千次抓取人工介入 | 40 次 | 10 次 | 1 次 |
| 年停机(4000 小时口径) | 320 小时 | 80 小时 | 8 小时 |
| 单人可看护工位数 | 1 到 2 台 | 4 到 6 台 | 10 台以上 |
| 典型失败处置 | 人工判断并复位 | 自动重试后报警 | 自动重试并自恢复 |
| 适用阶段 | 概念验证、展示线 | 单线小批量 | 多线复制、无人班 |
| 最大成本项 | 人工看护 | 监控与告警系统 | 数据回流与模型迭代 |
看这张表要抓住一件事:96% 档的最大成本项是人,一人看两台,设备省下的人力正好被看护抵消;99.9% 档的最大成本项变成数据闭环——失败样本回流、版本管理、回滚机制。两档之间差的不是模型分数,是运营体系。
对国内具身智能团队的启示
第一,评测的分层方式可以直接抄。按难点类型而不是按行业分任务,好处是失败可归因:柔性失败多在力控与视觉估计,精度失败多在标定与末端执行器,长序列失败多在规划与状态跟踪。这套分类让一次评测的结论可以复用到其他场景。
第二,概念验证的边界要自己先划。对外报数时同时给四个限定:工位数、连续运行时长、试验次数、是否有人在场。不写这四个,数字迟早被产线打回来。
第三,对抗样本要自己造。ASIMOV-Jailbreak 的价值不在分数,而在它提示了一件事实:VLA 的输入里有自然语言,就有提示注入的攻击面。一台能听懂「把那个东西递给我」的机器人,也能听懂不该听的话。99.5% 属于 Argon,说明这条防线被放在推理层而非动作层——这是值得借鉴的架构选择,因为动作层没有语义判断能力。