谷歌機器人整了波大活兒，要攻克「最後幾釐米」的行業難題？

谷歌機器人部門最近丟出了一顆震撼彈。在 WAIC 2026 落幕後不久，Google DeepMind 正式發表 Gemini Robotics 2，這套被稱為「全身智能」的通用機器人模型，試圖解決當前機器人產業最棘手的難題：不是讓機器人學會走路或揮手，而是讓它具備真正協調全身的能力，去完成那些需要同時動用雙腿、軀幹與手指的複雜任務。換句話說，這套系統要挑戰的，正是從「機器人會動」到「機器人會幹活」之間，那最後一哩路的鴻溝。回顧先前在上海舉行的 WAIC 2026，現場超過兩百家機器人企業、三百多台真機同台較勁，熱鬧非凡。

從宇樹科技三米高的載人變形機甲，到智元機器人用鑷子夾起兩毫米電阻焊接電路板，各家廠商展現的不只是機械動作的流暢，更想證明機器人已具備實際作業的能力。然而，業界普遍認知到，打造一副能跑能跳的「身體」早已不是最稀缺的技術，真正的瓶頸在於「大腦」——如何讓機器人在混亂的真實環境中看懂眼前景象、判斷下一步動作，並將決策即時且穩定地傳送到數十個關節的協同運作。Google DeepMind 此次發佈的 Gemini Robotics 2，核心概念正是「全身智能」。

過去我們看到許多機器人示範，往往帶著濃厚的「回合制」遊戲感：機器人先走到桌邊、停穩，然後才伸出機械臂抓取物品；完成任務後，又得切換另一套行走控制器，才能移往下一站。這種模組分工的做法固然務實，但只要桌子位置偏了一點、物體稍微滑動，或是必須邊走邊維持抓握，不同模組之間的銜接就會出現明顯破綻。Gemini Robotics 2 的突破，在於它讓機器人不再「先站好再伸手」。從官方釋出的影片可以看到，搭載這套模型的 Apptronik Apollo 2 機器人走向放置在地上的綠色水壺，彎腰直接將它提起；接著又走向貨架，取出一隻棒球手套後轉身離開。

這些動作看似平常，背後卻同時牽涉視野判斷、手臂可達範圍、步態調整與重心平衡。當手臂伸得更遠，身體就必須跟著前傾；身體前傾的同時，雙腿也得即時做出補償，整套動作是連續且相互耦合的，並非獨立模組的簡單組合。這正是「全身」一詞的實際含義。Gemini Robotics 2 不再把雙腿視為純粹的運輸工具、把雙手當作獨立作業工具，而是將整副身體視為一個統一協調的動作空間。Google 表示，同一個模型已成功用於搭載不同靈巧手的 Apollo 2 機器人，以及使用兩指夾爪的 Franka Duo 機器人，顯示其企圖心並不僅限於打造某一款人形機器人的專屬大腦，而是朝更通用的方向邁進。

不過，Google 也誠實面對當前的技術限制。官方測試數據顯示，Apollo 2 從桌面、地面與貨架取物的平均成功率分別為 68.4%、45.7% 與 76.3%。最能體現全身控制能力的地面取物，恰好也是失敗率最高的一項，機器人走路、下蹲與擺放物品的速度也明顯偏慢，Google 承認移動速度仍是未來需要持續改善的環節。除了全身控制，另一個備受關注的焦點在於機器人作業的「最後幾釐米」。影片中，Apollo 2 使用一隻擁有 22 個自由度的五指 SharpaWave 靈巧手，進行擰燈泡、封自封袋、給垃圾袋打結等任務；另一旁的 Franka Duo 則用兩隻夾爪，將形狀各異的工具整齊裝入工具箱。

這些任務遠比單純把硬物從 A 點搬到 B 點複雜，涉及連續接觸、雙手配合與物件形變，塑料袋會塌陷、繩結會滑脫、燈泡既要對準螺紋又不能過度施力。Gemini Robotics 2 的目標，正是從視覺與指令直接生成這些高頻連續的動作，跳脫過去「先規劃、再執行」的傳統控制邏輯。公開的測試成績也頗能說明現況。兩指夾爪在通用抓放、工具配套與精密插入上的平均成功率分別達到 74.2%、78.9% 與 89.6%，表現相對穩定；但換成多指靈巧手，難度立刻飆升——擰下燈泡的成功率達 92%，但擰上燈泡僅有 36%，垃圾袋打結為 44%，使用簸箕與封自封袋更分別只有 32% 與 40%。

這組數據顯示，大模型已能接管相當複雜的手部動作，但多指靈巧操作距離「人類級」仍有一段明顯差距，至少現階段機器人擰燈泡仍有相當高的失敗機率。Gemini Robotics 2 的另一項亮點是多機協作能力。影片中，Apollo 與 Franka Duo 共同整理工具箱，Apollo 負責發出任務指令，Duo 則將工具依序放入盒內。值得注意的是，這兩台機器人各自運行一套模型，透過高層推理進行工作分配與銜接，並非由單一中央神經網絡同時操控兩副身體。ER 2 模型還會持續觀看影片畫面，判斷任務進度、偵測失敗並決定是否重試，這種「像團隊一樣交接任務」的協作模式，與過去機械式執行預設工序的做法截然不同。

不過目前展示的只是經過設計的數分鐘收納場景，距離多台機器人連續數月在真實工廠中穩定協作，仍有很長的路要走。事實上，Google 並未完全揚棄具身智能產業普遍採用的「大腦＋小腦」架構。高層推理仍由 ER 2 負責，它具備理解環境、規劃長任務與人機溝通的能力，甚至可將導航 API、機械臂接口或他廠的 VLA 模型當作工具來調用；動作層則由 Gemini Robotics 2 這個 VLA（視覺－語言－動作）模型統一指揮全身關節。第三個模型 On-Device 2 則可離線運行於終端設備，並以少於 200 個樣例、幾小時的數據，快速適配新的機器人本體。

這樣的分工有其現實考量：底層控制需要毫秒級響應，高層推理卻可能涉及資料檢索與理解模糊指令，兩者所需算力與運行頻率截然不同，硬塞進一個巨型網絡不僅訓練成本高昂，出錯時也更難追溯問題根源。安全因素同樣關鍵，急停、限速與人機安全距離這類紅線，終究不能只靠端到端學習的概率來保證。這股「全身智能」的浪潮並非 Google 獨有。

Figure 今年初發佈的 Helix 02，同樣將所有傳感器接入一套全身視覺運動策略，讓 System 1 以 200Hz 輸出全身關節目標、System 0 以 1kHz 處理平衡與接觸、System 2 負責語義推理；智元最新的 GO-2 則直接點出「語義—執行鴻溝」的問題，以動作思維鏈與異步雙系統，銜接低頻規劃與高頻執行。同時，Nvidia 開源的 GR00T N1.6 已納入數千小時遙操作數據，支援智元 Genie-1 與宇樹 G1 等不同平台後訓練；Physical Intelligence 的 π0.

5 則讓輪式雙臂機器人在陌生住宅中連續打掃廚房與臥室，任務時長達 10 至 15 分鐘；螞蟻靈波開源的 LingBot-VLA 2.0，更以 6 萬小時數據覆蓋 20 種機器人構型，將手臂、靈巧手、腰部、頭部與移動底盤全部映射進統一的動作空間。從這些發展趨勢可以看出，機器人模型領域正逐漸走向大語言模型早期的競爭樣貌——先以多任務、多本體數據訓練一套通用基礎能力，再花少量數據快速適應具體硬件與場景。若換一副機械臂或一套傳感器就必須重新採集海量數據，所謂通用模型終究難以形成規模效應。

但機器人比聊天模型更難應付，因為它必須面對真實世界的種種意外：零件磨損、電量消耗、碰撞衝擊、人類突然闖入，甚至網路中斷。Gemini Robotics 2 的意義，與其說是一顆讓機器人突然開竅的「神級大腦」，不如說是將走路、平衡、精細操作、長任務規劃與多機協作放進同一張考卷的開端。相比過去「一種任務對應一套演算法」的舊思維，這確實是朝正確方向邁進了一大步——至於機器人何時能真正走進一般家庭，彎腰撿起掉落的杯子、順手擦乾灑出的水，甚至在下班回家前把房間收拾整齊，恐怕還得等待更多技術積累與時間驗證。