10月14日至16日，两桩机器人领域的标志性实践先后披露，呈现通用大模型进入机器人系统的两种不同路径：一条用于生成控制方案、由专用程序执行作业，另一条则接管从读论文到真机评测的研发全流程。两项案例共同显示，通用大模型正开始承担更多机器人方案设计、代码实现、调试与实验编排工作，但现有进展尚不足以证明其能够普遍替代专用视觉-语言-动作模型（VLA）。
10月16日，工业自动化初创公司MicroFactory创始人Igor Kulakov披露，在单次客户部署项目中，团队采用通用大模型生成控制方案、专用程序执行作业的路线，整套系统基于Claude Opus、GPT-6 Astra等通用大模型搭建。据其自述，机器人连续1.5小时自主装配电子产品且全程零操作失误，覆盖的自动化范围超出团队最初预期。该方案将高层推理与快速执行拆分为两层：AI智能体负责理解任务目标、选择控制算法、编写自动化代码，重复性执行动作交由生成好的视觉与控制程序完成，仅在现场出现程序无法覆盖的新状况时，通用大模型才介入调整流程。
这一分工直接改变了大模型的成本结构。模型调用费用不再持续发生于生产全流程，而是集中在方案开发与任务换型阶段；任务定型后由部署在产线本地的轻量控制模型执行，设备报价中已包含五年的本地模型许可。对于多品种、小批量的制造场景，换型的编程与调试成本向来是自动化落地的核心门槛，若这部分投入显著下降，部分原本不具备经济性的自动化项目或将变得可行。MicroFactory官网明确划分了两类适用场景：抓取、连接器插装等重复性高的任务优先采用AI生成的自动化程序，需要持续推理、灵活应变的复杂任务再直接调用通用大模型。
两天前的10月14日，机器人研发与真机评测平台Poke & Wiggle走出了另一条路径。其推出的Poker平台将数据预处理、模型训练、真机评测全链路打包成标准化接口，由Claude Opus 5.5接管从读论文、写算法到训模型、测真机的全流程，尝试复现10篇近期机器人研究论文的核心结论。现场团队负责工位准备、环境复位与质量检查，研究人员参与方法审核并在需要时纠正实验方向。在这一模式下，通用大模型并非替代VLA，而是为VLA的研发与迭代提速。
自动化科研流程已跑出可量化结果，也暴露了真实问题。在Patch Policy实验中，团队使用同一预训练视觉编码器，对比密集视觉特征与单个CLS特征的效果，前者将任务成功率从约3.3％提升至25.6％，相对改善明确，但绝对成功率依然偏低。在DSD实验中，Agent首次执行时自行扩大了动作归一化的取值范围，在其平台设定的任务与评测条件下未发现DSD相对基线的明显优势；研究人员要求恢复论文规定的基线参数后，DSD成功率达到45.3％，基线为32.0％，领先13.3个百分点。原始记录同时保留了复现结果与参数偏移带来的影响。
从近期实践看，通用大模型切入机器人系统主要沿三条路径展开：直接控制、生成控制代码、监督或训练已有策略，三种模式可在同一套系统中组合使用。今年7月Anthropic的一项研究对比了多种交互方式，发现模型的实际表现高度依赖于连接方式，复杂机器人对底层控制的刚性要求仍是技术选型绕不开的约束。这意味着行业比拼并非单纯的模型能力比较，相同的通用大模型搭配不同的接口架构、数据链路、控制逻辑与评测体系，落地效果可能差异显著。方案的最终验证仍需落在生产节拍、产品良率、人工干预频率等长期指标上。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
