当行业目光都聚焦在人形机器人“躯壳”的比拼上时，谷歌却选择了一条截然不同的路：它把赌注押在了机器人的“大脑”里。

7月30日（当地时间），Google DeepMind 正式推出 Gemini Robotics 2 系列模型。这套系统意在重新定义整个机器人行业的底层操作系统。在官方博客中，谷歌 DeepMind 机器人高级总监 Carolina Parada 开篇即言：

“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。”

几乎同一时刻，谷歌官方账号在社交平台 X 上抛出了一句更为直白的宣言：“一个大脑。适用于任何机器人。”

制造机器人本体与制造“机器人之脑”，本质上是两种不同的逻辑。试想这样一个场景：特斯拉弗里蒙特工厂内，Optimus 正在练习奔跑；Figure AI 的 BotQ 工厂里，Figure 03 正以每小时一台的速度下线。此时，谷歌站在一旁，掏出三个模型问道：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 并非单一模型，而是由三个模型组成的矩阵。

首个模型是 Gemini Robotics 2，属于视觉-语言-动作（VLA）模型。它将视觉和语言输入直接转化为电机指令，实现对人形机器人每个关节的完整控制。此前的谷歌模型仅能控制上半身在桌面上作业，而现在，它让人形机器人能够行走、下蹲、伸展及抓取，完成诸如“先走到柜子前，再弯腰将水壶放入底层绿色收纳箱”这类需要多步协调的复杂任务。

第二个模型是 Gemini Robotics ER 2，定位为具身推理模型。它不直接操控电机，而是充当机器人的“高级大脑”。其职责包括观看视频、理解环境、规划多步任务，并将执行指令下发给底层的 VLA 模型。该模型具备工具调用能力，可接入 Google 搜索及用户自定义函数，实现“思考下一步”与“执行当前动作”的并行处理。此外，它首次引入了多机器人协作机制，允许不同类型机器人在实时沟通中分工配合，完成单体机器人无法胜任的工作。

第三个模型为 Gemini Robotics On-Device 2，这是一种在机器人本地运行的轻量级 VLA。只需提供数小时的数据，即可适配全新的机器人本体。

这三个模型各司其职：动作控制、任务规划、本地部署。这种架构本身就是谷歌向市场发出的竞争宣言。

纵观整个人形机器人赛道，绝大多数玩家都在践行垂直整合策略。

Figure AI 是这一路线的典型代表。2024年发布 Figure 02 时，该公司还搭载 OpenAI 的模型；到了2025年2月，双方宣布分手，Figure 转向自研 Helix VLA 模型。同年10月亮相的 Figure 03，便采用了升级版的 Helix。Figure 追求全产业链掌控：自有模型、自有手部设计、自有执行器，以及自家的 BotQ 工厂。2025年9月，Figure 融资超过10亿美元，估值飙升至390亿美元。

至2026年4月，BotQ 已生产超过350台 Figure 03，产能从每天1台提升至每小时1台，良率突破80%。到了2026年7月，Figure 宣布第1,000台 Figure 03 正式下线。创始人 Brett Adcock 的目标是在四年内交付10万台。

Tesla Optimus 则选择了另一条垂直整合之路。依托 Tesla 自研的视觉 AI 系统和执行器，其在超级工厂内部先行试用。2025年底，Optimus 2.5 在弗里蒙特工厂投入运行，配备拥有22个自由度的五指灵巧手。

马斯克原计划让三代 Optimus 在2026年第一季度亮相，但实际是在4月23日的财报电话会上才正式宣布通过量产节点。公开销售预计于2027年启动。尽管特斯拉在2026年中制定了全年生产5万台 Optimus 的目标，且量产工作在下半年启动，但截至年中并未大规模交付，第二季度交付报告中也未出现 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”。该系统采用快慢双系统架构，结合合成数据与模拟训练进行优化。虽然其代码开源，但其商业模式与机器人硬件本身关联不大，核心在于出售支撑这些模型训练的 GPU 集群。

如今，谷歌带着完全不同的逻辑加入了战局。

**全栈还是平台？**

谷歌既不自建机器人产线，也不销售机器人硬件。

它与 Apptronik 合作打造 Apollo 2 的人形机器人本体，与波士顿动力合作赋予 Atlas “运动员”般的机动性，而谷歌自身则专注于研发“大脑”。三种模型分别对应三种核心能力：VLA 负责动作执行，ER 负责推理规划，On-Device 负责本地部署。更关键的是，单一 VLA 模型即可直接控制三种不同形态的机器人——无论是搭配 SharpaWave 手的 Apollo 2、搭配 Inspire 手的 Apollo 2，还是搭配 Robotiq 夹爪的 Franka Duo——仅需同一套模型参数，便能完成全身操控、多指灵巧操作及夹爪操作三大类任务。

这正是谷歌路线的核心：模型一次开发，适配所有机器人。相比之下，Figure AI 和 Tesla 更倾向于为每款机器人从头构建一套专属系统。

更具杀伤力的是 ER 2 的开放策略。VLA 和 On-Device 目前仅对早期合作伙伴开放，但 ER 2 已直接接入 Gemini API 和 Google AI Studio。任何开发者现均可接入该模型，为自己的机器人编写推理和规划层代码。甚至无需部署自有 VLA，通过人手遥控，由 ER 2 做出决策并生成指令发送给人类操作者即可。

谷歌正试图将机器人行业最关键的一环——理解和推理物理世界的能力——转化为可通过 API 调用的商品。若此策略奏效，Figure AI 耗费巨资自研的 Helix 推理层将面临严峻挑战：凭什么比谷歌的 API 更优？凭什么更便宜？

当然，Gemini Robotics 2 目前展示的能力距离“替代人工”仍有显著差距。谷歌在博客中坦诚，在多指灵巧操作方面，成功率仍明显低于全身控制和夹爪操作任务，且机器人的移动速度“有待提升”。至于 On-Device 2 宣称的“几小时适配新身体”，其实际适配质量及在不同硬件平台的兼容性边界，谷歌尚未给出详细数据。

更为重要的是，谷歌此前曾尝试类似的平台策略，结果喜忧参半。

Android 在手机市场的成功被视为平台策略的教科书案例。然而，当谷歌将这一思路延伸至物联网、智能家居和可穿戴设备领域时，Nest 和 Wear OS 历经十余年也未能复制 Android 的统治地位。人形机器人的复杂度至少比手机高出一个数量级——物理交互、安全约束、实时性要求以及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。

另一重风险来自商业层面。将核心大脑开放为 API，虽能快速扩大市场份额，但也意味着主动放弃了利润最丰厚的环节。Figure AI 估值达390亿美元的逻辑基础，并非在于卖出了多少台机器人，而在于其同时掌控了“大脑”与“身体”，有望在未来吃下整条价值链。如果人形机器人行业最终走向垂直整合——正如苹果在手机行业所证明的那样——谷歌当前的平台策略或许只是在为他人做嫁衣。苹果曾一度拿走全球手机市场超过80%的利润，依靠的正是“封闭与不开放”。

这取决于一个根本性问题：人形机器人行业最终会演变为“Windows-Intel 时代”，还是“苹果时代”？

**刀也有钝的一面**

倘若行业走向硬件标准化、软件平台化，各家厂商拼凑组装，那么谷歌的三模型架构便是天选之子。

三星、LG、丰田、奔驰等任何有意进入机器人领域但缺乏自研 AI 能力的公司，均可直接接入 Gemini Robotics，将精力集中于硬件设计、供应链管理及渠道拓展。届时，Figure AI 和 Tesla Optimus 可能会像当年的黑莓和诺基亚，误以为全栈整合是护城河，最终却被开放系统与众多硬件厂商联手围剿。

反之，若最优体验依赖于软硬件的深度耦合，那么 Figure AI 和 Tesla 的垂直整合策略便是正确的。即便模型再强大，若无法有效控制执行器的延迟、传感器的精度、散热及功耗管理，也不可能超越原厂的表现。

截至2026年年中，答案依然模糊。但谷歌此次发布至少揭示了一个事实：人形机器人的竞争已不再是“谁的机器人更厉害”，而是“谁有权定义行业的技术栈”。

Figure 和 Tesla 押注“硬件+软件”全栈，旨在打造伟大产品并吞噬整个市场；谷歌押注“模型即平台”，意在打造伟大大脑，让他人代为制造本体；NVIDIA 则站在更上游，向所有人售卖训练这些模型所需的计算卡。

三家巨头，三层博弈，牌桌上只有一件事是一致的：他们都认定人形机器人将是 AI 之后的下一个万亿级市场。Fortune Business Insights 预测，全球人形机器人市场规模到2034年将增至1,651亿美元，2026年至2034年的年复合增长率约为50.6%。2025年这一数字为48.9亿美元。这意味着，十年间行业需完成从“玩具”到“基础设施”的跨越。

在这场牌局中，谷歌今日打出的三张牌有一个共同内核：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”，而是一个能跑通的“机器人界的安卓”。至于这个安卓最后是否由谷歌执掌，那是另一个故事了。

但至少在今天，谷歌是唯一一个拿出完整三模型架构，并敢将推理层直接开放给所有开发者的企业。它所赌的，就是自己的大脑能让所有的机器人都运转起来。

（本文首发钛媒体APP，作者 | 硅谷Tech-news，编辑 | 秦聪慧）