问题

一周之内,给工厂机器人装“大脑”的三种做法同时摆上了台面。

11 月 10 日,Google DeepMind 发布 Gemini Robotics 2.5,一个在 200 多个任务上测过的视觉-语言-动作(VLA)模型。最受关注的结果来自梅赛德斯-奔驰在凯奇凯梅特(匈牙利)和辛德尔芬根(德国)正在运转的产线:Apptronik 的 Apollo 2 人形机器人用它做汽车配料,从散料箱里取出金属支架、按顺序放进排序容器,成功率 96%。这个模型正在向 DeepMind 的机器人合作伙伴推送。Humanoids Daily 指出,官方没有宣布 API 开放或价格。

小米走开源路线:Xiaomi-Robotics-1 采用 Apache 2.0,用超过 10 万小时真实操作轨迹预训练,5B 检查点在 Hugging Face,后训练代码在 GitHub。另外,11 月 3 日小米展示了自家人形机器人在汽车工厂分拣工位上做 8 小时任务;Electrek 并未说明那次演示跑的是 Xiaomi-Robotics-1。

Embodied AI 是一家 25 人的 EPFL 衍生公司,走的是第三条路。11 月 6 日它发布了 AIR:轮式底座上装两条手臂,跑的是一组针对具体任务的小模型,而不是一个通用机器人大模型。头一个班次由远程操作员遥控,每个班次都录下来,公司说大约一个月后机器人就能自己接手这项工作。

对一家要决定怎么“买机器人智能”的工厂或机器人厂商来说,这看起来是三种互相竞争的押注。我的看法是:它们是同一个问题的三种答法,而三者的共同点比分歧更重要。

我的结论

三家都是在产线上学会产线上的活。Apptronik CEO 说,Gemini 模型“只用几周后训练就大幅提升”,然后才转到奔驰的生产中。小米说它的模型学一个新的复杂任务“每个任务只需几小时示范”。Embodied AI 的整个卖点就是一个月的遥控班次,这些班次本身就是训练数据。

所以,基础模型是可以租的那部分。真正在某条产线上越积越多的是其余的东西:示范数据、失败片段、人工介入记录,以及这个工位的验收测试。我的建议是:按能力和可获得性挑基础模型,但谈合同时要把产线数据当成你真正在买的东西——谁保留、什么格式、明年能不能拿它去训另一家的模型。

约束条件

只靠公开信息为什么难下判断:

几个标题里的成功率都没有分母。DeepMind 的 96% 没说覆盖多少次抓取、试点跑了多久、节拍和人工比怎样,Humanoids Daily 专门指出了这一点。Embodied AI 的 95% 是多个付费试点的平均值,任务、成功的定义和时长都没公开。Electrek 指出,小米没公布 8 小时里分拣了多少件、成功率多少、人工介入几次;不过小米公布过更早工位的数字(3 月 90.2%,7 月 98%)。

基础模型更新很快。Gemini Robotics 2 在 7 月发布,2.5 在 11 月。依赖供应商模型的产线,也就接过了它的发版节奏,好坏都有。

获取门槛不一样。DeepMind 说正在向机器人合作伙伴推送;Humanoids Daily 指出,目前仍未宣布对公众开放 API 或公布价格。开源模型随便下载,但集成和安全论证都归你。现场学习的方案则和供应商及其操作员绑在一起。

没人公开数据条款。三方的公开材料都没说:在客户产线上采集的示范和日志归谁,客户能不能带走。Embodied AI 说“一台机器人学到的,其他机器人也能用”,这对它的机队是好事,也恰恰是买方最该细读的条款。

取舍选项

要做的决定:一家工厂(或卖给工厂的机器人厂商)要为一批人工工位选定机器人智能从哪里来。

选项 得到什么 代价 我选或不选的理由
通过合作方机器人授权前沿 VLA(Apollo 2 上的 Gemini Robotics 2.5) 公开证据里技能面最广:200 多个任务;DeepMind 称成功率比此前基线高 30% 到 100%(视任务类型而定);有公开的工厂试点 向机器人合作伙伴推送(DeepMind);未宣布公开 API 或价格(Humanoids Daily);模型按供应商节奏更新;数据条款未公开 工位多样、要求灵巧时会选,但必须把数据权利写进合同
从开源权重起步(Xiaomi-Robotics-1) Apache 2.0,用自己的示范微调,跑在自己的硬件上,没有准入门槛 集成、评测和安全论证都得自己做;标题基准是开发者自己报的 适合已有机器人工程团队、想把数据闭环留在内部的公司
买供应商在现场学习的专用方案(Embodied AI AIR) 靠遥控从第一个班次就产出;大约一个月得到贴合你工位的策略 学习期和之后处理例外都要操作员人力;学习闭环在供应商手里;尚无公开价格 少数高变化工位、首批产出时间比拥有模型更要紧时会选
等模型稳定再说 不会把集成工作花在四个月后可能被替换的模型上 什么都没采集;工位继续靠人,产线数据零积累 不选。三条路里,录示范和介入记录都用得上

证据

前沿路线强在广度。DeepMind 报告 2.5 的成功率比此前基线高 30% 到 100%(视任务类型而定),完成速度快 20% 到 30%。Humanoids Daily 列出了相对 Gemini Robotics 2 的单项跃升,比如用夹子装糕点从 5% 到 100%、叠裤子从 0% 到 40%,但没给试验次数。在奔驰,工作被拆成两层:具身推理模型跟踪工作流,动作模型控制双手。即便如此,CEO 自己描述的上线路径也是在 Apollo 2 上做“几周后训练”。

开源路线从另一侧说明同一件事。小米的 README 说,在超过 1 万小时跨本体数据上后训练后,模型能开箱即用地做移动操作;新任务则要“每个任务几小时示范”。权重免费,你工位上那几个小时的示范不免费。

现场路线把数据闭环本身做成了产品。Embodied AI 官网说,它的小型策略由自研的视觉语言模型在机器人本机上编排,并且“在仿真里训练的模型,现实一变就失效”。它的软件已经跑在一个付费的双臂工作站里;据 GGBa,在一家消费电子厂商的线缆处理任务上,可靠性达到 98%,客户目标是 90%。机器人接手后,操作员仍随时处理它没见过的情况。

合起来看:三者的分歧在于谁训练基础模型,共识在于总得有人在工位上采集任务数据。握着这些数据的一方,以后可以换基础模型;没握着的一方,换的时候只能再采一遍。

值得认真对待的反驳。“前沿模型会强到不需要逐条产线后训练。”有可能,从 Gemini Robotics 2 到 2.5 大约四个月就是论据;但奔驰试点本身仍做了后训练,我现在不会按这个假设做计划。“数据权利只是采购细节。”直到你想换供应商,才发现自己一个月的示范躺在别人的训练集里。“开源权重只适合实验室。”小米提供了部署代码,面向消费级 GPU 优化;真正的门槛是评测和安全工作,不是能不能拿到。

这个结论的边界

这个论点针对的是人工、高变化、需要专门教机器人干活的工位。以下情况会变弱:单一重复任务,固定自动化工作站比任何学习策略都便宜;基础模型已经能零样本稳定干好某个工位,而且公开了分母,那就没多少值得拥有的产线数据;供应商合同已经保证客户拿到示范、日志和评测集的完整副本。我不是说三种做法哪种错了,也不是在给它们的模型排名——公开数据撑不起排名。

我会怎么改

如果这个季度由我负责一个工厂试点:

不管选哪条路,现在就开始录:示范、失败片段、每次人工介入的时间和原因。

自己写工位的验收测试:每小时件数、整班成功率、每小时介入次数。所有候选方案都按这个测,不看宣传册。

合同里写三条:我产线上采集的所有数据,我拿到一份有文档的副本;我可以用它训练别家的模型;在供应商机队内共享这些数据,需要我主动同意。

对每个供应商的标题成功率问同样三个数:试了多少次、跑了多久、介入了几次。

最后才选基础模型。它是最可能变的部分,只要数据在我手里,也是最容易换的部分。