---
title: "机器人还需要专门的大脑吗"
date: 2026-11-19
category: 智能机器人
site: 脑机网
canonical: https://aiai.cafe/a/njw-embodied-brain-1119
language: zh-CN
---

# 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。

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。**

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-embodied-brain-1119
本内容仅供参考，不构成投资建议。
