---
title: "奔驰的车间进了机器人，奥斯汀的 208 号展位空了"
date: 2026-11-17
category: 智能机器人
site: 脑机网
canonical: https://aiai.cafe/a/njw-gemini-robotics-mercedes-1117
language: zh-CN
---

# 奔驰的车间进了机器人，奥斯汀的 208 号展位空了

> 会议 App 和展馆平面图上，208 号展位写着 OpenAI。

会议 App 和展馆平面图上，208 号展位写着 OpenAI。《财富》的记者走过去，那里空着：没有机器人，也没有标志。

展位是订好的，人没来。

同一周，辛德芬根的配料区，一台人形机器人从料箱里抓金属支架，按车身顺序摆进配套盘。

DeepMind 给这个动作报了一个数：96%。

两个现场隔了三天，不是同一天。Gemini Robotics 2.5 的官方博客发在 11 月 10 日，《财富》关于 OpenAI 拆掉机器人团队的报道是 11 月 13 日。中文媒体把两件事写成「同日」，读着顺，但不准。三天和同一天的区别在于：如果真是同一天，那是一个信号；隔了三天，那是两条各自按自己节奏走的路线，先后碰在了一起。

## 空展位不是退场

OpenAI 做的事，是把一个几十人的团队拆开。

算法研究员并进首席研究官 Mark Chen 管的主模型组，应用机器人和硬件团队并进总裁 Greg Brockman 管的 Applied 部门。它没有关掉机器人这条线，只是不再认为机器人需要一个独立于主模型的大脑。

这话有前提。9 月发布的 GPT-6 Astra，已经能在不专门训练的情况下接一部分机器人活。

《财富》拿到的说法是，年初内部还想从 Sora 那条路走，让视频模型先学会物体怎么动；几个月后，通用模型把这条路绕过去了。这个转向很贵——Sora 那套世界模拟的思路，一度是 OpenAI 机器人项目的立项理由。把立项理由换掉，等于把过去一年的技术路线降级成一条备选。

这不是第一次。2020 年 OpenAI 关过一次机器人实验室，联合创始人 Wojciech Zaremba 给的理由是机器人数据太少，做别的更划算。2024 年重建，跟 Figure 合作，2025 年 2 月分手。

两次都不是因为做不出来。

六年，两次解散，理由正好相反。上一次是模型学不会，这一次是模型不用专门学。

奥尔特曼的人形机器人还在做，目标 2027 年第一次公开演示。展位空着，项目没停。

## 96% 是谁的成绩

回到奔驰那条线。

机器人是 Apptronik 的 Apollo 2，手上装的是 SharpaWave，五指，22 个自由度。活叫 kitting，把散装料箱里的零件挑出来，按这台车的装配顺序摆进配套容器。这是上主线之前的备料：一台车要用几十种零件，谁去把它们从料箱里拣出来、按顺序码好，主线上的工人才能伸手就拿到。这活重复、费手、容易错，而且本身不产生附加值。

96% 不是模型一个数。管流程的是 Gemini Robotics ER，管手臂和手的是 2.5。

这句话很重要：买不到「96% 的模型」，买到的是两个模型加一台本体加一只手的系统结果。

同一个模型还能跑在 Franka Duo 上，那是双指平行夹爪，两指和五指之间没有共同的机械结构。DeepMind 把这个叫跨本体泛化，它的商业含义是：换一台机器人，不用重训。

DeepMind 没说的是：试了多少次、跑了多久、几台机器、失败怎么分布。

一条发布博客不写这些很正常。但少了这 4 个数，96% 只能证明概念验证过了，证明不了这条线能交给它。

## 24 次对，第 25 次错

96% 就是 24/25。

这个分数放在不同地方，含义完全不一样。

放在发布会的大屏上，很好。放在质检里，很糟。汽车行业习惯用 PPM 讲话，百万分之几；六西格玛是 3.4。4% 换成 PPM 是 4 万。

但 kitting 不是质检。抓空一次，零件没坏，车没坏，重抓一次就行。所以 96% 卡的不是质量，是人。

算一遍。下面这 3 个假设都不在 DeepMind 的博客里：一个工位一小时抓 300 次，12 秒一次，含接近、抓取、搬运、放置。96% 意味着每小时 12 次失败，平均 5 分钟一次。每次失败要有人过来看一眼，清一下料箱，或者把卡住的支架拨正，算 40 秒。一个工位的机器人，每小时占用人工 8 分钟，13% 的工时。

按一个工人 30% 的工时给这条线算，他能看 2.25 个工位。

这就是 96% 的价钱：一台机器人，还得配 0.44 个人。

## 门槛在 98.5%

要把人退到 6 个工位之外，成功率得是 98.5%。

同一个算法倒推：6 个工位、每工位每小时 300 次、单次介入 40 秒、人工占用不超过 30%，每个工位平均无故障间隔得撑到 13 分钟。13 分钟里抓 65 次，只允许错 1 次。

64/65，98.46%。

96% 和 98.5%，差 2.5 个百分点。对应的却是「一人看 2 个工位」和「一人看 6 个工位」。

这就是汽车制造里那道说不清的门槛。它不是一条写在标准里的线，是一道除法：可接受的工时占用，除以「单次介入耗时 ÷ 平均无故障间隔」，得出来的数就是一个人能看的工位数。这个数小于 3，机器人就没替掉人，只是给人换了个岗位——从抓零件，改成接机器人抓空的零件。工厂真正买的从来不是「能不能抓」，是「一个人能看几个」。

一个班次 8 小时，2400 次抓取，96 次失败。这 96 次由谁接手，就是这条线真正的成本项。

DeepMind 的博客没写这道除法。它只写了 96%。

这道除法还有一处变量没人给：料箱。产线上的料箱不会一直是满的、码得整齐的，零件在箱底互相压着、翻面、叠成一摞，抓取难度随剩余量往上走。96% 是全程平均，还是料箱七成满之前的成绩，差别很大；如果是后者，剩下那三成还是得有人站着，那这道除法算出来的工位数就要再打一次折。

## 两家赌的不是一件事

把两家的判断并排放，差别不在要不要做机器人，在机器人的智能从哪来。

OpenAI 的答案是：从通用模型来，规模够了自然会有。所以不需要专门的机器人团队，需要的是更大的主模型。

DeepMind 的答案是：从专用模型来，但要分两层。一层管流程，慢一点没关系；一层管手脚，必须快。中间用通用模型 Gemini 4 Argon 造仿真、造数字孪生、看失败视频，把慢活交给云端，把快活留在线边。这套结构里，通用模型没有被排除，它被降级成了一个工具——负责生产训练材料，不负责当场做决定。

两边都有证据，两边的证据都不硬。

OpenAI 那边的数来自英伟达的 Astranomy 研究：RoboLab-120 基准，120 项抓取放置，专用模型 Lakeside 51.0%，Astra 直接出动作 66.3%，接上带会话历史的 Codex 到 74.8%。

74.8% 有个条件：模型思考的时候，仿真环境是暂停的。平均每次推理 18.56 秒，每成功一次 API 费用约 36.40 美元。

传送带不会等 18 秒。

DeepMind 这边的数在真线上，但样本没公开。一个在暂停的世界里拿 74.8%，一个在不暂停的世界里拿 96%，分母都不是同一个。拿这两个数比高低，是这一周中文科技媒体做得最多、也最没有意义的一件事：前者测的是「想清楚以后能不能做对」，后者测的是「在节拍里能不能一直做对」。

## 明年 208 号会有人吗

有一个数两家都没给：连续跑一个班次，不停线。

这才是分水岭。不是 96 对 74.8，是谁先能把「8 小时、2400 次、人工介入不超过 2 次」写在纸上。

按上面那道除法，这要求成功率在 99.9% 以上。

差 3.9 个百分点。以 DeepMind 自己说的「几周后训练就有明显改进」的速度，这不是遥不可及，但也不是下一次发布就能到。

所以两家的判断其实不冲突。OpenAI 说机器人不需要一个独立的大脑，这话有一半对；DeepMind 说机器人需要专门的手，这一半也对。

大脑可以通用，手不行。

空着的 208 号展位，明年大概率还会有人。只是那时候站在展台上的，可能不是一台机器人，是一张写着每班次人工介入次数的表。

**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-gemini-robotics-mercedes-1117
本内容仅供参考，不构成投资建议。
