通用机器人，正在从一种身体变成一种架构

本文来自微信公众号： 具身志 ，编辑：越十三，作者：仲庆元 报道提要 现实工作正在让机器人的身体分化，跨本体模型则试图让数据和能力穿过这些差异。

过去被寄托在一台机器上的“通用”，正在被拆到模型、模块与具体身体之间。过去一年，机器人行业出现了一个有些矛盾的现象：公司越来越频繁地谈论“通用”，产品却越来越不像同一种机器人。

同样进入工厂，有的机器人换上轮式底盘和负载更大的手臂，有的继续坚持双足。到了门店、仓库和巡检现场，身体还会继续改变：两指夹爪、五指灵巧手、四足底盘，以及不同尺寸的机械臂，开始承担不同工作。但在这些越来越不同的身体之上，另一种相反的变化也在发生。

2026年7月，蚂蚁集团旗下灵波科技开源LingBot-VLA 2.0，预训练数据覆盖20种机器人构型。同月，Google DeepMind发布Gemini Robotics 2，让同一套模型控制三种不同的机器人配置；英伟达也进一步开放GR00T N1.7的模型权重和训练工作流，让基础模型可以通过后训练适配具体的机器人、任务和环境。

现实工作正在把机器人拆成不同形态，AI又试图把它们重新连接起来。所谓“通用机器人”，因此不再只是一台什么都能做的机器，也开始成为一套能够长出不同身体的架构。工作正在选择身体 人形机器人最有吸引力的叙事之一，是人类已经为自己建好了整个世界。

工厂的楼梯、仓库的货架、办公室的电梯，都是按照人的身体和行动方式设计的。与其改造环境，不如制造一台像人的机器人，让它直接使用人类的工具和通道。因此，人形身体本身一度被视为通用性的来源。

但机器人真正上岗以后，“像人”只回答了第一层问题。工作还会继续追问：它要搬多重的东西，连续工作多久，地面是否适合轮子，要不要在人身边运行？答案不同，身体就开始分叉。2025年夏天，智元远征A2-W开始在富临精工的工厂里搬运周转箱。

按照披露的数据，首套系统单班可以配送1000箱；后续订单计划让近百台A2-W进入两个车间，单班完成近万次搬箱动作。到了2026年，智元董事长邓泰华复盘称，这个场景的任务成功率、作业节拍和料箱识别泛化性，已经可以满足基础部署要求。继续扩大应用时，限制反而来自硬件规格、负载能力，以及传感器不足带来的避障和安全问题。

智元因此控制推广节奏，并把强调力控与大负载的G2 Max列入后续产品规划。机器人已经知道怎样识别和抓取箱子，下一步却仍然要换上一副更适合搬箱子的身体。一台机器人会不会搬箱子，与它能不能在人旁边安全、稳定地完成近万次搬运，并不是同一道题。

类似的变化也发生在韩国。ROBROS最初为服务行业推出双足人形机器人IGRIS-C，产品商业化以后，更强烈的需求却来自制造和物流企业。公司因此重新开发执行器，准备把升级版IGRIS-C+的双臂负载从大约6公斤提高到15至20公斤。但ROBROS没有因此换上轮子。

公司认为，许多工厂和船厂原本就是按照双足行走的人设计的。如果客户不想重新改造地面、台阶和通道，双足仍然有自己的价值。银河通用的产品线更直接地呈现了这种分化。

G1用轮式底盘和双臂完成移动、抓取和放置；进入电池工厂后，S1仍是轮式双臂，却为工业重载重新设计，具备双臂50公斤级载重和8小时续航；ET1则长成了一台小型双足机器人。银河通用的三个本体由同一套“银河星脑”驱动，其开发者平台上，规划中的物料分拣方案包也同时适配G1和S1。面对不同工作，有的机器人换上轮子，有的继续坚持双足；有的增加负载，有的转向小型本体。

真实工作没有让机器人收敛成一副标准身体，反而不断要求它们改变身体。人形并没有失去价值，但它也不再能自动等同于通用。如果现实工作注定会制造越来越多不同的身体，那么“通用机器人”里的通用，还能由什么承担？

AI开始跨过身体 为每一种工作单独造一台机器人，传统自动化产业几十年前就会了。焊接、码垛和分拣机器人可以很快、很准，也可以长时间稳定工作，代价是每一种设备只能在预先定义好的流程里完成有限任务。具身智能想降低的，正是这种专用化带来的重复成本。

如果每换一个关节、夹爪或者移动底盘，机器人的感知、规划和操作能力都要重新训练，那么产品越多，研发成本反而越高。机器人公司因此希望，换一副身体并不意味着把此前学会的一切全部清空。今年7月，蚂蚁集团旗下灵波科技开源LingBot-VLA 2.0。

它使用约6万小时数据进行预训练，其中约5万小时机器人轨迹来自20种机器人构型，覆盖单臂、双臂、半人形和人形机器人。这些机器人的自由度和动作接口并不相同。LingBot-VLA 2.0把它们映射到一套55维的规范化状态与动作表达中，用同一种表示容纳手臂、夹爪、灵巧手、腰部、头部和移动底盘。

这并不意味着所有机器人可以照搬同一段动作，而是先把不同身体的控制信号纳入一套共同表达；这些能力如何落到具体机器人上，仍然要由后续训练和执行系统完成。CrossFormer给出了一个差异更大的实验。研究团队使用约90万条轨迹、20种机器人本体训练同一套策略，数据覆盖机械臂、轮式机器人、四旋翼和四足机器人。

最终，同一套网络权重可以控制这些不同本体，也不要求研究人员事先手工对齐所有观察空间和动作空间。这不代表模型已经能够零样本控制任何陌生机器人。一台四旋翼也不会从四足机器人那里学会走路。

真正可能被共享的，是从视觉中找到目标、理解任务、利用不同机器人数据，以及在不同输入和动作接口之间寻找可复用结构的能力。Google DeepMind在同月发布的Gemini Robotics 2，把这种尝试推进到了更接近产品的一端。

同一个模型检查点可以控制三种机器人配置：让Apollo 2完成行走、弯腰和抓取，在装有五指灵巧手的Apollo 2上执行系结和封闭密封袋，也能控制使用两指夹爪的Franka Duo完成装箱和插入任务。面向新机器人的Gemini Robotics On-Device 2则被设计成原生支持多本体。

DeepMind披露，面对形状、传感器和自由度都明显不同的新双臂机器人，模型通常可以用不到200个样本，经过数小时适配开始工作。这里最重要的不是“200”这个数字有多小，而是换一副身体仍然需要学习，却不必从零开始。模型可以带着原有的视觉理解、任务知识和操作经验进入新的机器人，再用较少的数据熟悉这副身体的能力边界。

英伟达的GR00T N1.7也沿着类似方向发展。它的训练数据覆盖双臂、半人形和人形机器人，基础模型可以通过后训练适配新的机器人、任务和环境。模型还使用相对末端执行器动作空间，尝试先表达机器人的手应该怎样移动，再由具体机器人的控制系统将其转换成关节运动。

这些模型没有给出同一种技术答案，却指向同一种变化：机器人的身体可以不同，但数据、模型和一部分已经学会的能力，不必永远锁死在某一台机器里。身体因工作而分化，智能则开始寻找跨过这些差异的办法。身体没有因此消失 跨本体模型很容易制造一种想象：只要机器人的“大脑”足够强，同一个模型最终就可以像软件安装到不同电脑上一样，被装进任何机器人。

不过，真实的物理交互没有这么简单。一台机器人知道“把灯泡拧下来”，不等于它已经知道这副手应该用多大的力，手指从什么角度接触灯泡，以及灯泡轻微滑动以后应该怎样调整。在Gemini Robotics 2公布的测试中，配有SharpaWave五指手的Apollo 2拧下灯泡，成功率达到92%；但把灯泡重新拧回去，成功率只有36%。

扎紧垃圾袋约为44%，封闭密封袋约为40%，使用簸箕完成任务约为32%。同一个模型已经能根据指令尝试这些任务，并在部分测试中完成它们；但操作一旦进入多指配合、持续接触和精细力控，身体与任务的细微变化就会被迅速放大。在语言里，拧下和拧上灯泡只是方向相反。

对机器人来说，后者却多出了螺纹对准、接触力、手指配合和失败后的重新定位。普通两指夹爪、五指灵巧手，以及关节结构不同的机械手，也不可能照搬同一套动作。研究者把这种距离称为“Embodiment Gap”，即“本体差距”。

2026年8月发表的一篇相关综述把它概括为：模型、数据或表征可以复用，不代表这些能力已经能够在一台具体机器人上稳定执行。换一副身体以后，工程团队仍然可能需要处理运动学适配、控制接口、传感器标定、接触与力学、安全机制以及工程调试。越靠近任务理解，能力越容易共享。

识别杯子、理解“把杯子放进水槽”、判断任务需要先抓取再移动，并不完全属于某一副身体。越靠近物理接触，身体差异就越难绕开。同样抓起一个杯子，轮式机器人和双足机器人的重心变化不同，两指夹爪和五指手选择的接触点不同，关节长度、扭矩上限和控制频率也会改变动作怎样执行。

跨本体模型缩短了智能迁移的距离，却没有取消最后一段适配。模型可以共享机器人要做什么，具体的身体仍然要学会怎样把它做完。这段无法被直接跨过的距离，也解释了为什么“通用”不能只由上层模型承担。

“通用”开始移动 很长时间里，“通用机器人”首先被理解成一种产品：一台像人的机器，能够进入不同环境，使用不同工具，完成不同任务。最好只用一副身体，就能处理尽可能多的工作。现在，通用开始从这副身体里被拆出来，分散到机器人架构的不同层。

一部分通用性仍然属于身体。双足让机器人通过为人设计的楼梯和通道，手臂让它使用人类工具，接近人的尺寸让它进入现有工作空间。另一部分通用性进入模型和数据。不同机器人可以共享视觉理解、语言指令、任务规划和操作经验，让此前的积累不再只属于某一台机器。

还有一部分能力留在两者之间：怎样把共享知识转换成具体关节的动作，怎样处理接触和受力，抓取失败以后怎样恢复，以及怎样保证机器人在人旁边安全运行。这里所说的“架构”，并不是一个脱离硬件存在的万能大脑，也不是把同一套软件简单安装到所有机器人上。

它更像一套分层的产品与技术体系：上层尽量共享模型、数据和任务知识；中间层负责本体映射、后训练、控制转换、失败恢复与安全约束；最下层则保留适合具体工作的关节、负载、传感器、末端执行器和移动方式。一副身体包办所有工作，开始让位于另一种产品逻辑：相同的模块尽量复用，相同的数据和能力尽量共享，真正接触物理世界的部分再按照任务重新组合。

智元把这种方法写进了产品规划。远征A3继续强化全尺寸人形机器人的交互和全身力控，G2面向数据采集与训练，G2 Max强调大负载操作，D2系列则采用四足形态。公司希望通过硬件模块化和软件组件化，让不同产品在约70%的共性基础上完成差异化增量。

值得关注的不是型号继续增加，而是每增加一种身体，有多少基础不必重新建设。对机器人公司来说，产品问题也随之变化。过去，它们首先要证明自己能够造出一台足够完整的人形机器人；接下来还要证明，同一套智能能否进入更多身体，同一套硬件模块能否组合成不同产品，以及增加一种机器人需要重新投入多少数据和工程成本。

身体的分化与智能的通用化，因此可以同时发生。现实工作负责提出差异，模型、数据和模块化平台负责寻找共性。所谓通用性，只是在两者之间被重新分配。

这种分配最终会停在哪里，目前还无法确定。一些场景可能继续需要完整的人形身体，因为改造环境的成本更高；另一些场景则可能采用轮式底盘、专用夹爪和模块化手臂，只在上层共享同一种智能。更多机器人可能介于两者之间，在共同平台上保留标准模块，再为具体工作改变负载、传感器、末端和移动方式。

通用机器人没有消失，只是不再需要先长成同一种机器人。过去，行业试图证明一副身体能够完成多少工作。接下来，通用性需要证明的是：换一副身体以后，有多少能力仍然能够留下来。

机器人已经越来越知道自己要做什么。这套架构要解决的，是这些知识怎样穿过不同身体，最终仍能在真实世界里把事情做完。END 资料来源：智元机器人、ROBROS、宁德时代/银河通用、LingBot-VLA 2.0论文及开源仓库、CrossFormer论文、Google DeepMind、NVIDIA等公开资料