谷歌的机器人赌局：不卖本体，只卖大脑

当所有人都在争论人形机器人的终极战争是谁先造出更好的“本体”时，谷歌却给出了一个截然不同的答案——赌注押在“大脑”上。

当地时间7月30日，Google DeepMind正式发布了Gemini Robotics 2系列模型。这套系统试图重新定义整个机器人行业的操作系统。谷歌DeepMind机器人高级总监Carolina Parada在最新博客里写下了这样一段话：

“从脚到指尖——我们正在教机器人智能地控制全身、精细灵巧操作，以及团队协作。”

几乎同一时间，谷歌在社交平台X上的账号抛出了更直白的九个字：“一个大脑。适用于任何机器人。”

造机器人的宣言和造“机器人之脑”的宣言，完全是两回事。想象一下，特斯拉在弗里蒙特工厂里让Optimus练习跑步，Figure AI的BotQ工厂正以每小时一台的速度下线Figure 03……而谷歌站在旁边，掏出三个模型，问了一句：你们的机器人，要不要试试我的系统？

谷歌的“机器人之脑”

Gemini Robotics 2其实不止一个模型，而是三个。

第一个：Gemini Robotics 2

这是一个视觉-语言-动作模型（VLA），能把视觉和语言输入直接转成电机指令。从脚到指尖，完整控制一台人形机器人的每一个关节。以前谷歌的模型只能控上半身，在桌面上干活；现在，它能让人形机器人走路、下蹲、伸展、抓取，完成“把水壶放进底层柜子的绿色收纳箱”这种需要先走过去、再弯腰、再精确放置的完整任务。

第二个：Gemini Robotics ER 2

这是具身推理模型，相当于机器人的“高级大脑”。它不直接控电机，而是负责看视频、理解环境、规划多步任务，然后把执行指令交给底层的VLA模型。它能调用工具，包括Google搜索和用户自定义的函数，能同时“思考下一步”和“执行当前动作”。更重要的是，它首次引入了多机器人协作——不同类型的机器人可以实时沟通、分工配合，完成单个机器人做不了的活。

第三个：Gemini Robotics On-Device 2

这是在机器人本地运行的轻量级VLA。给它几小时的数据，就能适配一个全新的机器人本体。

三个模型，三种分工。动作、规划、部署各司其职——这个架构本身就是谷歌的竞争宣言。

回看整个人形机器人赛道，几乎所有玩家都在走同一条路：垂直整合。

Figure AI是最极端的代表。2024年发布Figure 02时还挂着OpenAI的模型，2025年2月直接宣布分手，转向自研Helix VLA模型。Figure 03在2025年10月亮相，用的是Helix的升级版。他们要什么有什么——自己的模型、自己的手、自己的执行器、自己的BotQ工厂。2025年9月，他们融了超过10亿美元，估值冲到390亿美元。到2026年4月，BotQ生产了超过350台Figure 03，从每天1台加速到每小时1台，良率超过80%。2026年7月，Figure已宣布第1,000台Figure 03下线。创始人Brett Adcock的目标是四年内交付10万台。

Tesla Optimus走的是另一条垂直整合的路。用Tesla自研的视觉AI系统，自研执行器，在自己的超级工厂里先用起来。2025年底，Optimus 2.5在弗里蒙特工厂跑了起来，配备了22个自由度的五指灵巧手。马斯克曾计划三代Optimus在2026年Q1亮相，但实际上在4月23日的财报电话会上才正式宣布通过量产节点。公共销售预计在2027年启动。到2026年年中，特斯拉制定的全年生产目标为5万台Optimus，但实际量产在2026年下半年才开始启动，Q2交付报告里没有出现过Optimus的独立数据。

NVIDIA则在2025年3月发布了Isaac GR00T N1，号称“首个开放式人形机器人基础模型”，采用快慢双系统架构，用合成数据加模拟训练。它开源，但它的商业模式跟机器人本身没什么关系——它卖的是训练这些模型所需的GPU集群。

现在，谷歌加入了，带着完全不同的逻辑。

全栈还是平台？

谷歌不拥有自己的机器人产线，也不销售机器人硬件。它和Apptronik合作，让Apollo 2做人形机器人本体；和波士顿动力合作，让Atlas做人形机器人的“运动员”；然后自己专心做“大脑”。三种模型覆盖三种能力：VLA管动作执行，ER管推理规划，On-Device管本地部署。而且，一个VLA模型就可以直接控制三种不同的机器人形态——Apollo 2配SharpaWa ve手、Apollo 2配Inspire手、Franka Duo配Robotiq夹爪——用同一个模型参数就能完成全身操控、多指灵巧操作和夹爪操作三大类任务。

这才是关键。谷歌的路线是：模型做一次，适配所有机器人。而Figure AI和Tesla则倾向于每个机器人从头做一套。

更锋利的刀藏在ER 2的开放策略里。VLA和On-Device只对早期合作伙伴开放，但ER 2直接上了Gemini API和Google AI Studio。任何开发者现在就可以接入，用这个模型为自己的机器人写推理和规划层。甚至不需要自己的VLA——可以人手遥控，让ER 2做决策，然后把指令发给人类操作者。

谷歌正在把机器人行业最关键的一层——理解和推理物理世界的能力——变成API调用的商品。如果这个策略跑通，Figure AI费尽心血自研的Helix推理层，突然就要面对一个很直接的问题：凭什么比谷歌的API更好？凭什么更便宜？

当然，Gemini Robotics 2目前展示的能力距离“替代人工”还有明显差距。谷歌自己在博客里坦诚，在多指灵巧操作上，成功率仍然明显低于全身控制和夹爪操作任务，机器人的移动速度也“有待提升”。On-Device 2虽然宣称几小时就能适配新身体，但实际适配质量、不同硬件平台的兼容性边界，谷歌没有给出详细数据。

更重要的是，谷歌这条路历史上走过，而且结果参差不齐。Android在手机市场的成功是平台策略的教科书案例。但把类似的思路搬到物联网、智能家居和可穿戴设备上，Nest和Wear OS用了十几年也没有复制出Android的统治力。机器人比手机复杂至少一个数量级——物理交互、安全约束、实时性要求、异构硬件的驱动兼容——每一个维度都可能成为平台策略的滑铁卢。

另一重风险在商业层面。把核心大脑做成开放API，确实能快速铺量，但也意味着主动放弃了最厚的利润层。Figure AI估值390亿美元的逻辑，不是因为它卖了多少台机器人，而是因为它同时掌握大脑和身体，有望在未来吃下整条价值链。如果机器人行业最终走向垂直整合，就像苹果在手机行业证明的那样，谷歌今天的平台策略，可能是在为别人做嫁衣——苹果一度拿走全球手机市场超过80%的利润，靠的就是“不开放”。

这取决于一个根本问题：人形机器人行业最终会变成“Windows-Intel时代”还是“苹果时代”？

刀也有钝的一面

如果是硬件标准化、软件平台化、各家拼组装，谷歌这套三模型架构就是天选之子。三星、LG、丰田、奔驰——任何一个想做机器人但没能力自研AI的公司，都可以直接接入Gemini Robotics，把精力放在硬件设计、供应链和渠道上。届时，Figure AI和Tesla Optimus就会像当年的黑莓和诺基亚，以为自己全栈是壁垒，结果被一个开放系统加一群硬件厂商围殴。

如果是后者——硬件和软件深度耦合才能产生最优体验——那Figure AI和Tesla的垂直整合就是对的。模型再好，如果控制不了执行器的延迟、传感器的精度、散热和功耗管理，就不可能给出超越原厂的表现。

截至2026年年中，这个答案还不明朗。但谷歌这场发布至少暴露了一个事实：人形机器人的竞争已经不再是“谁的机器人更厉害”。它变成了“谁有权定义机器人行业的技术栈”。

Figure和Tesla押的是“硬件+软件”全栈，做一个伟大的产品，吃掉整个市场。谷歌押的是“模型即平台”，做一个伟大的大脑，让所有人替你造本体。NVIDIA则站在更上游，给所有人卖训练这些模型所需的计算卡。

三家巨头，三层博弈，一张牌桌上只有一件事是一致的：他们都认定人形机器人会是AI之后下一个万亿级市场。Fortune Business Insights的预测是，全球人形机器人市场到2034年将达到1,651亿美元，从2026年到2034年的年复合增长率约为50.6%。2025年这个数字是48.9亿美元——也就是说，十年要走完从“玩具”到“基础设施”的距离。

在这场牌局里，谷歌今天打出的三张牌有一个共同的名字：不卖机器人，卖系统；不建工厂，建标准。人形机器人行业需要的不是一个“机器人界的苹果”，它需要的是一个能跑通的“机器人界的安卓”。至于这个安卓最后会不会由谷歌来做，这是另一个问题了。但至少今天，谷歌是唯一一个掏出了完整三模型架构，并且敢把推理层直接开放给所有开发者的人。它赌的，就是自己的大脑，能让所有的机器人都跑起来。