2026年末,具身智能领域出现两项技术进展:Anthropic的通用模型Fable 5.2在双臂机器人仿真基准RoboDojo上,将任务成功率从前代的27.6%提升至64.9%;英伟达发布机器人基础模型GR00T 2,采用“世界-动作模型”路线,在人类示范5次后任务平均成功率达到95%。两项进展分别指向机器人“大脑”的推理能力与“手”的训练成本,但技术指标与真实产线之间仍存在明显落差。
Fable 5.2的突破在于高层空间推理能力。该模型能够基于物理常识完成拧瓶盖、解魔方等需要精度判断的动作,在仿真环境中形成视觉与推理的闭环。但在第三方真机测试中,大模型引导机械臂执行跳棋任务时出现14次脱落或偏移。核心问题在于执行频率不匹配:底层力控闭环通常需要20至100Hz的反射频率,即每10到50毫秒完成一次力度修正,而Fable 5.2的规划循环仅运行在约1至2Hz。大模型每秒更新一至两次指令,无法在物体滑脱瞬间完成实时修正。此外,64.9%的成绩来自无光线干扰、无地面颠簸的仿真环境,官方虽宣称完成18个真机测试任务,但未公布对应分数。
GR00T 2将训练门槛显著压低,5次示范即可教会机器人此前需数月数据采集才能掌握的动作。但据英伟达技术白皮书披露,参与测评的50项Dexter机器人操作任务在测试集构建阶段即经过筛选,入选标准为模型经5次示范后至少能达到80%成功率。白皮书同时说明,95%的得分受测试集挑选方式影响。另一个被官方通稿忽略的指标是:50项任务中仅37项做到每次试验均成功,剩余13项在反复测试中仍会出现失败。这意味着在筛选过的任务范围内训练成本确实下降,但迁移至未见过的产线后,可靠性仍无法预判。
英伟达将GR00T 2定位在执行层,通过WAM API接受上层推理模型调用,由上层负责任务确定、技能编排与进度监控。在接入上层推理模型后,YAM机械臂在连续装配三种玩具的任务中成功率达到97%。但这套接口仅提供了通信协议,并未解决延迟控制、失败检测等工程化问题。真实工厂中上层指令下达后底层执行失败、机械臂卡顿等场景,在现有技术文档与示范数据中均未涉及。
成本层面,摩根士丹利2026年11月调研显示,82%的企业要求机器人投资三年内回本,平均可接受周期为26个月,但仅18%的采用者对现有产品表现满意,较上一年下降5个百分点,整体部署预期推迟约一年。中国信通院《具身智能发展报告(2026年)》指出,机器人整机价格仅占全生命周期成本的40%至60%,其余支出集中于场景改造、系统集成、数据采集、模型训练、运维配置及故障停机损失。Fable 5.2与GR00T 2降低了前期研发与训练成本,但后期运行成本的核心诱因——规划与执行之间的断层——尚未被触及。高通NEURA的4NE-1人形机器人在台北国际电脑展因短暂通信故障触发安全关机,日产田纳西州Smyrna工厂的OTTO移动机器人因软件接口与物料流无法对齐造成产线拥堵,均属于该断层在真实场景中的具体表现。
从仿真基准到真机测试,从训练成本到全生命周期账本,具身智能的商业化路径仍需跨越模型层与执行层之间的工程化缺口。两项技术进展为行业提供了新的能力边界,但能否转化为产线上可核算的投资回报,取决于毫秒级反射、失败检测与系统集成等环节的补齐进度。
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。