脑机网 脑机网LOGIC.WANG
脑机网 · 一线 AI 与脑机接口观察
每天更新,只讲能落地的技术、机器人与商业化进展。
看今日文章
ESC

机器人还需要专门的大脑吗

83 除以 0.4,是 207.5。这 2 个数来自 Anthropic 的前沿红队报告:四足机器人的低层实时控制,大约需要 83Hz;通用模型在非推理模式下的推理速度,大约 0.2 到 0.4Hz。

2026-11-19 · 2944 字 · 脑机网信息截止 2026-11-19

本文为脑机网原创内容,基于公开信息与公开数据分析,不构成任何投资建议。

83 除以 0.4,是 207.5。

这 2 个数来自 Anthropic 的前沿红队报告:四足机器人的低层实时控制,大约需要 83Hz;通用模型在非推理模式下的推理速度,大约 0.2 到 0.4Hz。

差 200 到 400 倍。

这不是观点,是物理约束。

12 毫秒对 2.5 秒

83Hz 的意思是,每 12 毫秒要给出一次控制指令。

0.4Hz 的意思是,每 2.5 秒才给出一次。0.2Hz 更慢,5 秒一次。

12 毫秒里要干完的事:读惯性传感器、算关节力矩、发指令、等下一拍。这个循环里没有“思考”的位置,只有“算”的位置。

通用模型的强项不在这。

它的强项是拿到一句话,把话拆成步骤。“把桌上的零件分到盒子里”,拆成走过去、弯腰、识别、抓、放。这层叫规划,一秒一次都嫌快,2.5 秒一次完全够用。

所以问题不是“通用模型行不行”,是“哪一层归它”。

把 2 个数换算成距离,更直观。假设机器人以一米每秒往前走,0.4Hz 的模型 2.5 秒才看一次,这 2.5 秒里它已经走出 2.5 米;0.2Hz 的模型更糟,5 秒走 5 米。等它算完“前面有台阶”,台阶已经在身后了。这个换算不精确,真实控制还有底层闭环兜着,但它说明了量级差在哪:不是差一点,是差 2 个数量级。

底层闭环这 4 个字,是专用大脑最后的护城河。

这 12 毫秒还决定了模型放在哪。云端调用要经过网络往返、排队、推理、回传,这一圈走完,12 毫秒早就过去了。所以低层控制只能放在本地,放在一块功耗和散热都受限的板子上。云端模型再强,也替不了这一层。这不是架构偏好,是物理位置决定的:算得再快,信号也要先把那段路跑完。

规划层先被吃掉

11 月 13 日,OpenAI 确认撤销独立的机器人研究团队。

同一周,GPT-6 Astra 通过云端接口,接上一台成本约 150 美元的开源机械臂,不需要专门微调,就能完成看图作画这类任务。

150 美元的臂,加一个通用模型,能干活。

这句话对做“机器人大脑”的公司不太友好。

苹果的 HALO 研究原型走了同一条路:宇树 G1 人形机器人搭载 Mac mini,在 6 个没有预先建图的真实家庭里,单项任务成功率 91%。

没有专门的大脑团队,没有针对家庭场景的微调。一台现成的本体,一台桌面电脑,一个通用模型。3 样东西拼起来,就能在陌生客厅里完成一项任务。

这就是规划层被吃掉的样子。任务理解、步骤拆分、异常重试,过去要写状态机、写规则库,现在可以交给模型。模型见过足够多的场景,就能把“把杯子放进洗碗机”拆成一串步骤,还能在中途失败时换一条路。代价是它不知道自己错在哪:拆错一步,后面全错,模型不会停下来问。

但 91% 是单项任务,是 6 个家庭。样本小,任务窄。它证明的是“能跑通”,不是“能交付”。

3 条路线,同一个短板

这一周,机器人模型的消息挤在 一起。

Anthropic 11 月 9 日发 Claude Fable 5.2,在 RoboDojo 仿真测试里平均成功率 64.9%。同一张榜上,GPT-6 Astra 29.8%,Gemini 4 Argon 39.4%,Opus 5.5 34.2%,Fable 5.1 27.6%。

第一名比第 2 名高 25.5 个百分点,比 GPT-6 Astra 高 35.一个百分点。

第 2 天,谷歌 DeepMind 发 Gemini Robotics 2.5:奔驰汽车产线 96% 任务成功率,Apollo 2 人形机器人基于这个模型,自主完成零件分拣。

11 月 16 日,华为云开源 CloudRobo-WM1.2,在 RoboTwin 2.0 与 LiberoPro 2.0 两项仿真评测上总榜第 1。同一周,英伟达在 CoRL 2026 发布机器人模型 GR00T 2,蚂蚁灵波开源触觉基础模型 LingBot-Touch,还发了开发者生态计划。

触觉这 1 路值得单独说。视觉告诉你杯子在哪,触觉告诉你捏多紧。捏轻了滑,捏重了碎。这个判断要在接触的瞬间做完,规划层给不了,只能靠手上的闭环。所以触觉模型天生长在控制层,不长在规划层:它不负责想清楚要干什么,只负责在碰上的那 1 刻知道该用多大劲。谁把触觉做扎实,谁就离 83Hz 更近一步。

数 1 数,5 家。

3 条路线,3 种打法。Anthropic 打通用模型加仿真评测,谷歌打产线,华为打世界模型加开源,英伟达打开发者底座,蚂蚁打触觉这 1 路。

它们的分数都很高。

但它们打的都不是 83Hz 这一层。

64.9% 是仿真里的平均成功率,96% 是产线上的任务成功率,双榜第 1 是仿真评测的排名。这 3 个数量的都是“任务做完没有”,没有一个量“每 12 毫秒的指令跟不跟得上”。仿真里一个回合可以慢慢跑,真机上没有慢放。而且这 3 个数不在一个口径上:仿真是模拟环境,产线是固定工位,排行榜是同行互刷,把它们排成一列比高低,本身就是误读。

蚂蚁灵波的沈宇军把这件事说得更直:评测到现在没有共识,模型、数据、部署耦合在 一起。仿真上表现不好,说明模型肯定不行;仿真好,不代表真机行。

这句话的杀伤力在于,它同时否定了 2 个头。

对做模型的人,仿真榜第 1 不再是通行证。对买模型的人,没有一张榜能替它做决定。

生意换成卖控制

如果规划层被通用模型吃掉,专用大脑的公司还剩什么?

剩控制层。

控制层不好看。它不讲故事,只讲延迟、抖动、鲁棒性。一台四足机器人摔一次,损失的是硬件和信任,不是跑分。

但控制层难被替代。通用模型的调用是“请求-响应”,控制层要的是“永远在线、固定节拍、掉 1 拍就出事”。这 2 种工程约束,不是把模型做大就能抹平的。模型可以更大,延迟不会更小;参数可以更多,抖动不会更少。抖动比延迟更难修:延迟是慢,抖动是忽快忽慢,控制器最怕后者。

田丰的说法是,通用大模型会吃掉规划层与预训练底座,替代不了实时控制层。他还给了一个时间表:1 到 2 年内大概率迎来能力临界点,规模商用更晚,真正的拐点是评测成本降下来。

“评测成本”这 4 个字,比“能力临界点”更值钱。

因为现在没人知道一个机器人模型到底行不行。仿真榜第 1,真机可能摔;产线 96%,换一个工位可能掉下来。要证明它行,只能上真机跑,跑一轮的成本是场地、本体、人、时间。谁的模型能在更多真机上跑过,谁的数据就厚;数据越厚,下 1 版越稳。这个循环的入口不是算法,是评测。

所以专用大脑的生意,会从“卖模型”变成“卖控制层加数据闭环”。模型按调用卖,价格会被通用模型压下去;控制层按台卖,数据按场景卖,这 2 样通用模型给不了。

收敛到 3 到 5 家

朱兴的判断更直接:中国具身领域的物理基础模型玩家不会太多,明年之前会有第 一波收敛,长期看 3 到 5 家。

3 到 5 家,是一个很窄的门。

对照现在的阵容:Anthropic、谷歌、华为、英伟达、蚂蚁灵波,5 家已经在场上,还没算本体厂商自建的团队。门槛窄,意味着大部分“机器人大脑”公司会变成集成商,或者被并进本体厂商。

这也是为什么“专用大脑不会消失”这句话要加一个限定:消失的不是能力,是独立的公司形态。

控制层会被保留,但保留在谁手里,是 3 到 5 家模型公司,还是本体厂商自己,现在没有答案。本体厂商有一个天然优势:它知道每一台机器的抖动、延迟、磨损,这些数据模型公司拿不到。模型公司也有一个优势:它见过更多场景。2 种优势最后怎么分账,才是这门生意真正的谈判点。

留一个问题:如果拐点是评测成本,那第一个把真机验证做成流水线的公司,会不会比第一个把成功率做到 64.9% 的公司更值钱?

免责声明:本文基于公开信息撰写,仅供读者参考,不构成任何投资建议。

数据与信源

信息截止 2026-11-19。文中数据以该日期前已公开的信息为准。

本文引用 公开报道与公司公告(未逐条列示)。

本站历史文章在正文中标注了来源机构与时间,但未逐条附原始链接。如需核验文中任一具体数字,请在评论区注明段落与数据,我们会在 2 个工作日内补出处。

本文为脑机网原创内容,基于公开信息与公开数据分析,不构成任何投资建议。

查看「智能机器人」更多内容 → · 返回首页

引用本文

欢迎媒体、智库与研究机构引用。引用时请注明来源「脑机网」并保留原文链接,同时保留文章页标注的「信息截止」日期。转载规则见 引用与转载规范。

GB/T 7714脑机网编辑部. 机器人还需要专门的大脑吗[EB/OL]. (脑机网)[2026-11-19]. 北京: 脑机网, https://aiai.cafe/a/njw-embodied-brain-1119. 2026-11-20.
APA脑机网编辑部. (2026, November 19). 机器人还需要专门的大脑吗. 脑机网. https://aiai.cafe/a/njw-embodied-brain-1119
脑机网 · 一线 AI 与脑机接口观察
每天更新,只讲能落地的技术、机器人与商业化进展。
看今日文章