一句话结论

物理 AI 的胜负手不在模型架构,而在数据工厂、评测体系与接口标准这三件事上。 11 月 9 日到 18 日这十天,英伟达、谷歌 DeepMind、Anthropic、华为云、蚂蚁灵波连续发布了五款具身模型,却在同一处撞墙:通用大模型擅长上层规划与预训练底座,而真正决定机器人能不能干活的 83Hz 高频实时控制,只能交给具身专用模型。这不是谁取代谁,而是分层协同——也意味着,判断一个物理 AI 团队是否靠谱,不该先看跑分,而该先问三件事:真机数据从哪来、评测怎么算、接口按什么标准接。

一、十天五个模型:2026 年物理 AI 的发布密度

11 月 9 日,英伟达 GR00T 2(CoRL 2026,美国奥斯汀)。 这一次不是 VLA 的小修小补,而是从「视觉-语言-动作模型(VLA)」到「世界-动作模型(WAM)」的范式切换:模型不再只看当前画面直接出动作,而是先把「未来视频帧 + 机器人动作序列」放进同一个约 20 亿参数的扩散 Transformer 里联合预测,在内部「想象」物理世界将如何演化,再驱动执行。它基于英伟达 Cosmos-Predict2.5-2B 初始化,一个检查点可跑平行夹爪、灵巧手与人形机器人。训练混合比例非常具体:约 40.3 万小时人类第一视角视频、约 1 万小时 UMI 手持数据、约 2.35 万小时遥操作数据。

效果数字同样具体:在目标机器人从未练过的 50 项任务上,GR00T 2 零样本平均成功率 40%,每条任务补 1 条遥操作演示后升到 71%,补 5 条(合计不足 3 分钟机器人数据)后升到 95%,其中 37 项任务做到每次试验均成功;每次适配只需在单张 RTX 5090 上约 30 分钟的 LoRA 微调。轻量版 GR00T 2 Turbo 可跑在宇树 G1 机载 Jetson Thor 上,端侧延迟 124 毫秒。GR00T 2 与 Turbo 计划于 2026 年 12 月开源,同步开放 Human-1M 部分人类视频数据与 SimFoundry 仿真工具链,同期还发布 Isaac Lab 3.0 机器人学习框架与一组开放基准,Boston Dynamics 把装上轮子的 Atlas 摆出来做研究测试床。

11 月 9 日同日,Anthropic 发布 Fable 5.2。 官方自测的 RoboDojo 机器人仿真操作基准上,平均成功率 64.9%,而上一代只有 27.6%,并展示了拧瓶盖、还原魔方这类动作。

11 月 10 日,谷歌 DeepMind 发布 Gemini Robotics 2.5,称为谷歌迄今功能最强的 VLA 机器人模型。团队在超过 200 项真实任务上评估(用食品夹分餐、给礼盒系蝴蝶结、液体移液等),相对自家上一代基线,部分任务成功率提升 30%–100%,任务完成速度提升 20%–30%;灵巧操作一项上,用钳子给糕点包装从 5% 升到 100%,系蝴蝶结从 0% 升到 70%。最硬的一个数字来自真实产线:与 Apptronik、梅赛德斯-奔驰合作,在匈牙利凯奇凯梅特与德国辛德尔芬根的在产汽车产线上,Apptronik 的 Apollo 2 人形机器人(22 自由度五指手)自主从散装料箱里按装配顺序拣取金属支架并放入排序容器,任务成功率 96%。运行方式是双模型协作:Gemini Robotics ER 跟踪整个任务流程,Gemini Robotics 2.5 控制手臂与手部动作。Apptronik 联合创始人兼 CEO Jeff Cardenas 称,经过短短几周后训练性能显著提升,迁移到奔驰真实生产线后性能下降幅度很小。官方也留了边界:该试点仍处于概念验证阶段,未披露任务时长、试验次数、产线节拍等工程化指标;安全侧,底层 Argon 模型在新基准 ASIMOV-Jailbreak 上的越狱抵御率达 99.5%,此前基线为 82%。

11 月 10 日,蚂蚁灵波开源 LingBot-Touch 触觉基础模型并推出开发者生态计划,把自己的技术方向概括为「具身原生」。11 月 16 日,华为云发布并开源昇腾原生具身世界模型 CloudRobo-WM1.2,正式入局具身大脑。国内还有一条产品线:眸深智能推出新一代具身原生模型「眸深·深悟」,官方称一步生成相较对应多步基线的推理加速最高达 24.84 倍。唯一反向操作的是 OpenAI——它解散了独立机器人团队,把相关研究人员并入核心研究与应部门。

二、83Hz 与 0.2–0.4Hz:参数堆不平的时差

「通用大模型会取代具身大脑吗?」这个问题在 11 月有了量化答案,答案来自 Anthropic 旗下前沿红队的研究报告:四足机器人的低层实时控制需要约 83Hz,而当时通用模型在非推理模式下的推理速度只有约 0.2–0.4Hz,差距约 200–400 倍。

谋先飞联合创始人张衡的表述更直接:GPT 或 Fable 5.2 这类大语言模型展现了一定的高层控制能力,但控制频率非常低,只能做宏观层面的低频规划,无法对机器人做高频控制;后续需要引入高频运行的模型,并研究两层模型在控制层面如何结合,而且上下两层都需要具备对物理世界的理解才能训练。快思慢想研究院院长田丰的判断一致:通用大模型会吃掉具身大脑的规划层和预训练底座,却无法替代实时控制层。

结论因此清晰:通用大模型做「大脑皮层」,具身专用模型做「小脑与脊髓」,二者分层协同。

三、通用模型也不是全能:Embody 评测里没有一个模型扶起摔倒的宇树 G1

反面证据同样值得记:在 Anthropic 前沿红队的 Embody 评测里,任务是把一台摔倒的宇树 G1 人形机器人扶起来——没有一个模型做到,一次都没有。

GPT-6 Astra 未经机器人方面的专门训练,在 RoboDojo 的 42 项任务中综合得分就已超过榜单上全部 40 个公开的动作模型;但测试同时显示,它在需要高精度控制、动态控制和双手协作的任务上表现欠佳,而这些任务的难点大多出现在手接触物体之后——物体在手中开始滑动时,机器人需要即时调整握力,这要求处理触觉信号的模型足够轻量。

这正是 1988 年机器人学家汉斯·莫拉维克在《心智儿童》里写下的莫拉维克悖论:让计算机在智力测验上达到成人水平相对容易,让它拥有一岁孩子的感知和行动能力却难得多。30 多年过去,这条悖论依然挡在物理 AI 门前。

四、时间表:能力临界点 1–2 年,商用临界点更晚

宇树科技创始人王兴兴多次表示,未来一两年就会有所突破,大模型泛化能力的临界点已经越来越近;他把人形机器人产业比作水面上下两个世界——水面之上是引人关注的人形机器人运动表现,水面之下是模型泛化、生产制造、可靠性、售后服务和底层算力这些仍需持续攻关的部分。

田丰的时间表更具体:1–2 年内大概率迎来能力临界点,但规模商用的临界点还要更晚,中间隔着可靠性和评测成本两道坎,真正的拐点是评测成本跌下来。

蚂蚁灵波 CEO 朱兴则给出了产业格局判断:至少在中国具身产业领域,物理基础模型不会有太多玩家——他类比大语言模型目前主要以千问、DeepSeek、字节、智谱、Kimi 五家为主,相信具身领域也不会有太多;他预计明年之前会有第一波收敛,长期从产业结构看可能 3 至 5 家,但也强调行业可能要经历好几个周期,「先收敛一波,再分裂一波,再收敛一波,而且周期可能比自动驾驶更长」。他同时给出三条不会变的东西:优秀的团队;对数据的沉淀与 know-how;包含数据闭环与训练技术的基础设施能力。

五、三道坎:数据、评测、接口

数据。 睿尔曼的路线是让机器人在工厂、仓库、商店等真实场景中边作业边产生数据,通过远程作业网络构建物理 AI 的数据底座。这条路更重、更慢,但数据与真实物理世界的偏差更小;其负责人直言,室内数据和真实环境在光感、温度等方面还是有很大区别,因此正探索到一线工厂去采。行业都期待具身智能模型的 Scaling Law 时刻,但在那之前得先锁定哪种数据的 Scaling up 能促成 Scaling Law——而哪种数据最合适、能否触发智能涌现,目前还没有共识,也没有答案。

评测。 蚂蚁灵波首席科学家沈宇军的判断是:评测至今仍是一个比较难的维度,主要是行业没有达成共识,模型、数据、部署耦合在一起,很难拆开。「如果评测结果不好,很难说是模型的问题,还是数据和部署的问题。」真机 Benchmark 不好做,仿真 Benchmark 又存在与物理世界对齐的问题——「如果在仿真上表现不好,证明模型肯定不行;但在仿真上表现好,并不代表模型可以。」于是形成一个死循环:具身智能现在各个环节都没收敛,导致 Benchmark 不收敛,而 Benchmark 不收敛反过来又导致模型难以收敛,类似「先有鸡还是先有蛋」。不过他也认为行业摸索至今已越来越有共识,不太远的将来会迎来第一波收敛:评测机制、模型方式还是数据采集标准,都会呈现收敛趋势。

接口与跟踪指标。 田丰把竞争重心讲得很直白:具身大脑的竞争正从模型架构转向数据工厂、评测体系和接口标准;通用模型公司占据上层和底座,硬件与部署方占据真机数据,世界模型在中间做训练场和考场。未来一年值得跟踪的只有三个数字:零样本成功率、产线失败率、仿真与真机的一致性。

六、中国侧:从 1.44 万台出货到 42 家联合体

产业规模上,中国不再是跟随者。11 月 17 日至 18 日在深圳举行的 2026 年 APEC 工商领导人峰会有 2000 余位政商界代表参加,APEC 数字和人工智能部长会议通过《成都声明》,首次将「开源」提升到 APEC 部长级合作层面;「促进 APEC 数据跨境流动合作中国中心」落户深圳前海;南山「机器人谷」有 200 多家机器人产业链企业。

更具体的数字:深圳龙岗集聚超 800 家人工智能企业与约 1.27 万家机器人整机及上下游企业,全球首家机器人 6S 店在此落地;目前中国人形机器人年出货量达 1.44 万台,全球占比 84.7%。落地案例已经出海:智利圣地亚哥市郊的一款中国设计智慧农业无人机 1 小时可对 20 公顷农田精准作业;泰国沙拉武里府的传统矿区装上基于中国大模型的「数字大脑」,在毫秒之间优化挖掘机、矿卡和运输路径。腾讯参与打造的智能采编平台在 APEC 领导人会议周期间为注册媒体提供支持 29 种语言的配音与字幕服务。

组织形态也在变:2026 年 11 月进博会期间,眸深智能联合复旦大学未来信息创新学院、国家地方共建人形机器人创新中心等科研平台,携手宇树科技、优必选等本体企业,壁仞科技、天数智芯等算力企业以及碧桂园服务、东方有线等场景方,发起「通用具身大脑产业创新联合体」,首批 42 家产业链伙伴加入,形成「模型—芯片—本体—场景」全链路模式。算力侧,国家超算深圳中心「灵晟」以 2.198 EFlops 蝉联 TOP500 榜首,领先 El Capitan 约 21%,并拿下 HPCG 第一。IDC 预计 2026 年全球灵巧手出货量约 2.5 万台,中国厂商占比超过 85%。终端侧,双十一期间人形机器人销量同比暴涨 700%。

七、结论:先看三个数字,再看谁的模型

把十天里的发布和争论放在一起,物理 AI 的行业共识已经收敛成三句话:能力上,分层协同取代了「取代论」;时间上,能力临界点 1–2 年内到,商用临界点更晚;竞争上,胜负手在数据工厂、评测体系与接口标准,不在模型架构。

对企业采购方而言,下一个模型发布时可以跳过所有跑分,只问三个问题:这家的零样本成功率是多少?它的产线失败率是多少?它的仿真成功率与真机成功率差多少?——这三个数字决定它是一台能上产线的机器人,还是一个能发论文的模型。

FAQ(高频问题直答)

1. 什么是「物理 AI」和「具身大脑」? 物理 AI 指 AI 系统直接作用于物理世界(机器人、产线、车辆);具身大脑是其中的核心模型层,负责把视觉、语言和本体状态转成对物理世界的动作。一个完整的物理 AI 栈通常分三层:上层是通用大模型(规划与语义),中层是世界模型(训练场与考场),下层是高频控制模型(实时闭环)。

2. GR00T 2 的 40% 和 95% 分别是什么意思? 在目标机器人没练过的 50 项任务上,零样本平均成功率为 40%;每条任务补 1 条遥操作演示后升至 71%,补 5 条(合计不足 3 分钟机器人数据)后升至 95%,其中 37 项每次试验均成功。适配成本是单张 RTX 5090 上约 30 分钟 LoRA 微调。

3. 奔驰产线的 96% 能直接拿来用吗? 不能。这是 DeepMind 与 Apptronik、梅赛德斯-奔驰在匈牙利凯奇凯梅特和德国辛德尔芬根在产产线上的概念验证试点,官方明确未披露任务时长、试验次数、产线节拍等工程化指标。它证明的是「可行」,不是「经济」。

4. 为什么通用大模型取代不了具身专用模型? 因为频率。Anthropic 前沿红队报告显示,四足机器人低层实时控制需要约 83Hz,而通用模型非推理模式下的推理速度只有约 0.2–0.4Hz,差约 200–400 倍。通用模型适合做低频规划与预训练底座,高频闭环必须由专门训练的具身模型承担。

5. Fable 5.2 的 64.9% 是怎么测出来的? 在 Anthropic 自行测试的 RoboDojo 机器人仿真操作基准上,平均成功率 64.9%,上一代为 27.6%。注意两点:这是厂商自测口径,且是仿真环境;真实产线的成功率通常远低于仿真数字。

6. 行业什么时候会收敛? 蚂蚁灵波 CEO 朱兴预计明年之前会出现第一波收敛,长期可能 3–5 家;快思慢想研究院院长田丰认为能力临界点在 1–2 年内,但规模商用更晚,中间隔着可靠性与评测成本两道坎,真正的拐点是评测成本下降。

7. 评测为什么这么难? 因为模型、数据、部署三者耦合,结果不好时无法归因。真机 Benchmark 没人愿意共享,仿真 Benchmark 又与物理世界存在对齐问题,结果就是 Benchmark 不收敛、模型也难收敛——典型的「先有鸡还是先有蛋」。

8. 想判断一家具身 AI 公司是否靠谱,看什么? 田丰给出了三个可跟踪的指标:零样本成功率、产线失败率、仿真与真机的一致性。此外可以追问它的数据来源(真机遥操作还是仿真合成)、触觉/力控是否有自研模型、以及有没有把推理延迟压到 100–130 毫秒量级的端侧方案。

关键术语(Key Terminology)

  • 具身大脑(Embodied Brain):专为物理世界设计的机器人基础模型,负责把感知与指令转成高频可执行动作,补齐通用大模型缺失的实时控制层。
  • WAM(世界-动作模型):英伟达 GR00T 2 采用的范式,把「未来视频帧」与「机器人动作序列」放进同一个扩散 Transformer 联合预测,取代了只从当前画面映射动作的 VLA 路线。
  • VLA(视觉-语言-动作模型):把视觉输入、语言指令映射为机器人动作的一类模型,谷歌 Gemini Robotics 2.5 属于这一类。
  • RoboDojo:Anthropic 自行测试的机器人仿真操作基准,Fable 5.2 在其上平均成功率 64.9%,上一代为 27.6%。
  • Embody 评测:Anthropic 前沿红队的评测,考察模型能否把摔倒的宇树 G1 人形机器人扶起来,目前没有一个模型做到。
  • MoRaVIC 悖论(莫拉维克悖论):1988 年汉斯·莫拉维克在《心智儿童》中提出的问题——让计算机通过智力测验相对容易,让它拥有一岁孩子的感知与行动能力却难得多。
  • 物理世界基础模型:专为物理世界设计、能回答「世界下一步会怎样变化」「实体行动后世界如何回应」的基础模型,是通用大模型与具身大脑之间的关键空白。
  • 数据工厂:把真实作业过程持续转化为训练数据的工程体系(真机遥操作、远程作业网络等),被田丰列为具身大脑竞争的第一战场。
  • 仿真与真机一致性:同一模型在仿真环境与真实物理世界之间表现差异的量化指标,是最容易被忽略、也最容易致命的一项。

参考资料

官方与一手材料

媒体与第三方分析