当行业目光都聚焦在人形机器人的“躯体”谁更先进时，谷歌却选择了一条截然不同的路：把赌注押在“大脑”上。
7月30日（当地时间），Google DeepMind 正式推出 Gemini Robotics 2 系列模型。这套方案的目标很明确——它试图重新定义机器人行业的操作系统。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。”
几乎在同一时刻，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。”
造本体与造“脑”，逻辑迥异。不妨设想这样的场景：特斯拉弗里蒙特工厂内，Optimus 正在练习跑步；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，而是由三个组件构成的体系。
首先是 Gemini Robotics 2，这是一个视觉-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，实现对人形机器人从脚到指尖的全关节控制。此前的谷歌模型仅能操控上半身在桌面作业，如今则能让机器人完成行走、下蹲、伸展及抓取等复杂任务。例如，“将水壶放入底层柜子的绿色收纳箱”这一动作，需要机器人先移动到位、再弯腰、最后精准放置，现在也能一气呵成。
其次是 Gemini Robotics ER 2，作为具身推理模型，它不直接控制电机，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。该模型支持调用 Google 搜索及用户自定义函数，能够同时“思考下一步”并“执行当前动作”。此外，它首次引入了多机器人协作功能，允许不同类型机器人在实时沟通中分工配合，完成单体无法胜任的工作。
第三个是 Gemini Robotics On-Device 2，这是一款运行于机器人本地的轻量级 VLA。仅需几小时的数据，即可适配全新的机器人本体。
这三个模型各司其职：动作执行、任务规划、本地部署，这种架构本身就是谷歌发出的竞争信号。
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 是这一路径的极端代表。2024年发布 Figure 02 时，其仍搭载 OpenAI 的模型；至2025年2月，双方宣布分手，Figure 转向自研 Helix VLA 模型。2025年10月亮相的 Figure 03 便采用了升级版 Helix。Figure 实现了从模型、手部、执行器到 BotQ 工厂的全链条自研。2025年9月，该公司融资超10亿美元，估值飙升至390亿美元。
截至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%。同年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，但实际进展较慢。直至4月23日的财报电话会上，才正式宣布通过量产节点。公共销售预计将于2027年启动。特斯拉制定的2026年全年生产目标是5万台 Optimus，但实际量产直到下半年才开始，年中时尚未大规模交付。在 Q2 交付报告中，并未出现 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”。该模型采用快慢双系统架构，利用合成数据加模拟训练。尽管开源，但其商业模式与机器人硬件本身关联不大，核心在于出售训练这些模型所需的 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？**
谷歌既无自有机器人产线，也不销售硬件。
它与 Apptronik 合作打造 Apollo 2 本体，与波士顿动力合作让 Atlas 扮演“运动员”角色，自己则专注研发“大脑”。三种模型分别对应三种能力：VLA 负责动作执行，ER 负责推理规划，On-Device 负责本地部署。关键在于，单个 VLA 模型即可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——均能通过同一组模型参数，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：一次模型开发，适配所有机器人。相比之下，Figure AI 和 Tesla 倾向于为每个机器人从头构建一套系统。
更锋利的武器藏在 ER 2 的开放策略中。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。甚至无需自研 VLA，可采用人手遥控模式，由 ER 2 做出决策，再将指令发送给人类操作者执行。
谷歌正将机器人行业最关键的一环——理解和推理物理世界的能力——转化为可调用的 API 商品。若此策略成功，Figure AI 耗费心血自研的 Helix 推理层将面临严峻挑战：凭什么比谷歌的 API 更优？更便宜？
当然，Gemini Robotics 2 目前展示的能力距“替代人工”仍有差距。谷歌在博客中坦言，在多指灵巧操作上，成功率仍显著低于全身控制和夹爪任务，且机器人移动速度“有待提升”。On-Device 2 虽宣称几小时即可适配新身体，但在实际适配质量及不同硬件平台的兼容性边界方面，谷歌未提供详细数据。
更重要的是，谷歌曾走过类似的路径，结果喜忧参半。
Android 在手机市场的成功是平台策略的典范。但当谷歌将此类思路移植至物联网、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、异构硬件驱动兼容，任一维度都可能成为平台策略的滑铁卢。
商业层面的风险同样存在。将核心大脑开放为 API 虽能快速铺量，但也意味着主动放弃利润最丰厚的层级。Figure AI 估值达390亿美元的逻辑，在于其同时掌控大脑与身体，有望在未来吃下整条价值链。若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，谷歌今日的平台策略或许是在为他人做嫁衣。苹果曾一度占据全球手机市场超80%的利润，靠的正是“不开放”。
这取决于一个根本问题：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**
若是硬件标准化、软件平台化、各家比拼组装，谷歌的三模型架构便是天选之子。
三星、LG、丰田、奔驰等任何想做机器人却无力自研 AI 的企业，均可直接接入 Gemini Robotics，将精力集中于硬件设计、供应链和渠道建设。届时，Figure AI 和 Tesla Optimus 可能重蹈黑莓和诺基亚的覆辙，自以为全栈是壁垒，实则被开放系统及众多硬件厂商围剿。
反之，若硬件与软件深度耦合才能产生最优体验，那么 Figure AI 和 Tesla 的垂直整合便是正确之选。模型再强大，若无法克服执行器延迟、传感器精度、散热及功耗管理等硬件瓶颈，便无法超越原厂表现。
截至2026年年中，答案尚不明朗。但此次发布至少揭示了一件事：人形机器人的竞争已不再是“谁的机器人更强”，而是“谁有权定义行业技术栈”。
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 则位于更上游，向所有人出售训练模型所需的计算卡。
三家巨头，三层博弈，牌桌上只有一致共识：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将在2034年达到1,651亿美元，2026年至2034年的年复合增长率约为50.6%。2025年这一数字仅为48.9亿美元。这意味着，十年间需走完从“玩具”到“基础设施”的距离。
在这场牌局中，谷歌打出的三张牌有一个共同名字：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”，而是一个能跑通的“机器人界的安卓”。至于这个安卓最终是否由谷歌执掌，那是另一个问题了。
但至少在今天，谷歌是唯一拿出完整三模型架构，并敢于将推理层直接向所有开发者开放的公司。它赌的是，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）
