谷歌GeminiRobotics2.5进驻奔驰产线，人形机器人分拣任务成功率96%

当地时间11月10日，谷歌DeepMind正式推出其迄今能力最强的视觉-语言-动作（VLA）机器人模型——Gemini Robotics 2.5。该模型并非仅停留在实验室演示层面，而是已进入真实工业场景：在梅赛德斯-奔驰位于匈牙利凯奇凯梅特与德国辛德尔芬根的在用汽车生产线上，搭载该模型的Apptronik Apollo 2人形机器人完成了零部件分拣与排序的概念验证任务，整体成功率达96%。

这一进展标志着具身智能技术正从“能做”向“能上岗”迈出关键一步。与此前多聚焦于厨房、家居等半结构化环境不同，汽车产线代表了高节拍、强容错约束的典型工业现场——物料混杂、空间动态变化、任务顺序严格依赖车型配置，对机器人的感知鲁棒性、动作规划连续性与实时纠错能力提出更高要求。

此次试点任务具体为：Apollo 2需从散装料箱中识别并拾取指定型号的金属支架，依据产线车辆装配序列将其精准放入对应编号的蓝色排序容器中。过程中需应对物料堆叠遮挡、表面反光、轻微位移等干扰，并在抓取后自动修正装配间隙。任务由双模型协同完成：Gemini Robotics ER负责全局任务状态追踪与流程调度，Gemini Robotics 2.5则直接驱动手臂与五指SharpaWave灵巧手执行精细操作。

据Apptronik联合创始人兼CEO Jeff Cardenas透露，模型仅经数周针对性后训练，便在迁移至真实产线后保持了极小的性能衰减。这反映出Gemini Robotics 2.5在仿真到现实（sim-to-real）迁移上的进步，也印证了其对非结构化环境的适应能力。

在更广泛的评估中，谷歌团队在200多项真实世界任务上对新模型进行了系统测试，涵盖使用食品夹分餐、给礼盒系蝴蝶结、液体移液、悬挂开衫、折叠裤子等复合技能场景。对比前代基线模型，Gemini Robotics 2.5在不同任务类型中成功率提升30%至100%，执行速度提高20%至30%。部分任务实现从0%到显著成功的跃升：例如关闭黑色工具箱盖子的成功率从0%升至93%，使用夹子装取糕点从5%提升至100%，解开丝带蝴蝶结从0%达70%。

这些提升源于模型在灵巧性、可靠性和安全性三方面的优化。灵巧性方面，模型强化了对柔性物体（如布料、丝带）与易碎品（如玻璃杯、薄片零件）的接触建模能力；可靠性方面，通过引入更细粒度的状态反馈与在线重规划机制，减少因局部扰动导致的失败连锁；安全性方面，谷歌新增了针对物理交互的对抗性测试基准，防范模型在复杂环境中产生越界动作。

值得注意的是，Gemini Robotics 2.5延续了对多平台的原生支持能力，除Apptronik Apollo 2外，亦适配Franka Duo等采用平行夹爪的协作机器人平台。这种硬件无关性降低了部署门槛，也为后续扩展至物流、电子组装等其他产线提供了可能。

然而，当前成果仍属概念验证（PoC）阶段。官方未披露关键工程指标：单次任务平均耗时、连续运行时长、人工干预频率、产线节拍匹配度等。一位行业观察者指出：“96%的成功率看似很高，但在汽车总装线，4%的失误可能意味着整条线停摆或返工成本激增。真正的工业验收标准是‘零缺陷连续运行72小时以上’。”

这也引出VLA技术落地的核心挑战：模型能力必须被拆解为感知、推理、规划、控制与安全多个实时环节，并嵌入云-边-端协同架构中。通信网络的角色由此被重新定义——它不再仅是数据通道，而是智能体与产线PLC、MES系统、操作员之间的“控制总线”。例如，机器人需持续上传高帧率视觉流与力觉数据，下行链路则需同步传递动作序列、速度约束与安全边界指令。任何网络抖动或延迟都可能导致动作失准，这对工业5G或TSN（时间敏感网络）提出了硬实时要求。

技术路线层面，谷歌此次进一步明确“通用推理+专用控制”的混合架构：底层动作生成由专用VLA模型承担，而高层任务分解与异常处理则依托Gemini 4 Argon等大模型进行仿真增强与失败归因。后者可自动生成数字孪生场景、分析失败案例、迭代优化训练策略，形成“仿真→真机→反馈→再仿真”的闭环。这与英伟达GR00T系列、Figure 02等头部方案趋同，也抬高了初创企业的竞争门槛——自研VLA模型需在数据利用效率、仿真加速能力与真实场景泛化性上全面超越巨头基础模型。

尽管有观点认为通用大模型正挤压专用VLA空间（如Claude Fable 5.2在RoboDojo Sim仿真中42项任务成功率达64.9%，远超GPT-6 Astra的29.8%），但工业现场的物理交互复杂性仍使专用模型具备不可替代性。仿真高分不等于产线可靠，正如一位工程师所言：“机器人在虚拟世界能系100个蝴蝶结，不代表它能在油污车间稳稳拿起一个螺栓。”

目前，Gemini Robotics 2.5已向谷歌机器人合作伙伴开放，但未全面公开API。这意味着短期内技术红利将集中于深度合作方，如Apptronik、Figure、 Agility Robotics等。对于更广泛的制造业而言，人形机器人真正进入主流产线仍需跨越工程化、成本与安全认证三重关卡。

可以确定的是，这一次，机器人不再只是演示厅里的“秀场明星”。当Apollo 2在奔驰车间稳定拾起第1000个金属支架时，具身智能的产业化拐点或许正在悄然临近——只是距离大规模替换人力，仍有很长一段路要走。