Anthropic与英伟达双线突破:具身智能2026年商业化破局?
(本文作者为 机器最前线,钛媒体经授权发布)2026年末,具身智能的商业化似乎终于等来了它的“破局点”。过去,这个行业一直受困于“大脑”不够聪明,无法应对复杂环境;“手”不够灵活,且学习成本高昂。但最近,两个技术突破为它们带来了新的进展。一方面是“大脑”的外溢。Anthropic的通用模型Fable 5.2,原本的主业
(本文作者为 机器最前线,钛媒体经授权发布)
2026年末,具身智能的商业化似乎终于等来了它的“破局点”。
这个行业此前一直卡在两处:一是“大脑”不够聪明,应付不了复杂环境;二是“手”不够灵活,学起来的成本还高。
不过最近,两项技术进展让局面有了变化。
一头是“大脑”的外溢。
Anthropic的通用模型
另一头是“手”的下沉。
英伟达的机器人基础模型
“脑”冲破了边界,“手”压低了门槛。两端的瓶颈都开始松动,可这些真能让机器人在现实世界里站住脚吗?
01 未被接上的“缝隙”
把这两个新变量拆开细看,情况恐怕没有想象中乐观。它们各自在能力边界上一路狂奔,却根本不在同一条跑道上。
首先,
比如让它拧开一个瓶盖,它知道要先抓住、再逆时针转,还能算准该使多大劲。靠视觉与推理,它能形成一个逻辑判断的闭环,这确实比那些只会死记硬背单一动作、换个场景就抓瞎的专用策略聪明得多。
可这份“聪明”落到真实世界里,就显出几分无力。
第三方真机测试中,LLM引导机械臂下跳棋,脱落或偏移的情况出现了14次。
症结主要在执行的频率上——机器人手指要在物体滑脱的瞬间稳稳捏住它,底层
换句话说,大模型一秒钟只更新一两次“捏住”的指令,手指却要在一秒内微调几十次,才能不让棋子滑落。结果就是,棋子滑脱那一瞬,大模型反应不过来,也来不及发出“再捏紧一点”的新指令,手指只能僵在原地,棋子自然掉了。
这就像一个将军在指挥部里每秒才更新一次战术,前线士兵却每十毫秒都在挨子弹。两者压根不在一个时间尺度上,大模型规划得再好,底下的手也接不住。
更何况,64.9%这个成绩还是在完美的仿真环境里测出来的——没有光线干扰,也没有地面颠簸。到了真实世界,面对灰尘、反光或者其他意外,这个成绩还能不能保住就成了未知数。官方虽说做了18个真机测试任务,对应的分数却没给出来。
再看GROOT 2,它确实把“手”的门槛压低了。
(图源:NVIDIA)
5次示范就能达到95%的平均成功率,意味着过去要采集海量数据、耗上几个月才教得会的动作,现在几分钟演示就能教会。这么看,它把训练与适配的成本砍下了一大截。
只是这95%,也得放回具体的测试条件里看。
据NVIDIA技术白皮书披露,参与测评的50项Dexter机器人操作任务,在构建测试集阶段就只挑那些模型经过5次示范后至少能达到80%的任务。白皮书也写明了,这个95%的高分本身受测试集挑选方式的影响。
说白了,95%的成功率,来自一套提前筛过的考题。
还有一点容易被忽略:示范做满五次之后,50项任务里只有37项拿到“每次试验都成功”,另外13项反复测照样翻车。
可这个衡量执行稳不稳的37/50,在满屏官方通稿里几乎找不到踪影。说到底,在被筛过的那部分任务里,训练确实能变便宜;换一条没见过的产线,机器人还撑不撑得住、可靠性多少,眼下谁也说不准。
再往深处看,模型层交到执行层手上那一下,真实抓握需要的毫秒级反射,至今也没人补得上。
英伟达
接上上层推理模型以后,最终效果还算过得去。(图源: NVIDIA)
但这顶多算给两边配了一套“通信协议”,桥本身并没有架起来。
真实工厂里,上层指令发下去、底层执行失败怎么处理?机械臂卡在半空、延迟了又怎么办?延迟控制、失败检测这些工程问题的解法,在实验室里兴许只是少了一组数据;搬到真实工厂,它就成了机器人商业化路上绕不开的门槛。
02 一笔算不拢的“产线账”
门槛压到产线上,最先冒出来的并不是技术毛病,而是卖机器人的和买机器人的压根聊不到一块去。
模型方晒出的成绩再好看,工厂老板掏钱前头一件事还是盘算:几十万设备砸进去,多会儿能回本?
摩根士丹利
换句话说,企业等这笔投资见效的耐心快用完了。可真正让客户算不平这笔账的,不在机器本身,而在那些隐性开销。中国信通院在《具身智能发展报告(2026年)》里就提到,整机价格只占全生命周期成本的40%至60%。剩下的大头,落在场景改造、系统集成、数据采集、模型训练、运维人员配置和故障停机损失这些地方……
(图源:《具身智能发展报告(2026年)》)
后期运行成本才是
Fable 5.2真正烧钱的地方,这两块它都没碰到。
后期运行成本的关键诱因之一,正是“想”和“做”之间那道缝。
据
搁在展台上,这还能叫“受控倒塌”;一旦放进产线,就是结结实实的意外停机,既拖累产线,又多出一笔维修费。
类似的情况还有日产在田纳西州Smyrna工厂的部署。这些真实发生的停产账,反过来可能逼着客户改一改评判标准。
比如,
换句话说,客户更上心的已经是机器人的稳定性;说得再直白些,是自家产线能不能稳住。
摩根士丹利报告里的原话讲得更干脆:如今的前沿大模型已能在……既然客户眼里只剩价值与成本,那再卷模型分数,恐怕暂时对不上当下的需求了。
03 拼“补缝”的下半场
客户标准一旦变化,厂商比拼的重点随之转移。为更贴合市场需求,各家机器人公司都在拿出自己的办法。
智元给出的方案,直接瞄准“脑”与“手”之间的时间差。
它的
(图源:智元)
它的快系统除了接收慢系统下发的意图,还会在慢系统两次发令的空档里,依据自身实时观测,自行做局部微调与纠错。
这相当于在两者中间垫了一层“缓冲”:慢系统管指方向,快系统在下面拼命稳住动作。慢系统不必等快系统执行完再发下一条,快系统也不用干等慢系统更新。
两套系统频率不同,却各干各的活,同时推进,从而抵消掉一部分时间差。
可现实中的突发情况,光靠微调恐怕来不及救场,这时候就需要容错机制来兜底。
比如,
依靠这套机制,
让机器人“持续干活”、变成稳定的“生产力”,似乎正成为行业的一种走向。
比如从商业模式上看,
(图源:
更何况,这种模式还把机器人可靠性的风险,从客户手里转到了服务商身上。
行业趋势因此偏向那些能补好“接口”、把执行做扎实做稳定的企业。
留给厂商的时间窗口,正肉眼可见地变窄。
王兴兴说,具身智能的“ChatGPT时刻”最快2027年到来;千寻智能郑灵茵的判断更具体:2026到2027年,是从“讲故事”转向“交付”的分水岭。
“交付”这两个字,显然已不是比哪家模型分数更高。商业化落地眼下最要紧的,或许就是先在真实产线上,把当前的活干明白。
这并非否定模型技术的价值。
只是模型发展指向更好的明天,客户却更需要一个能开工的今天。这无关对错,只是一场行业长短线的错位。
工程接口眼下正被全力补上,往后大概率会成为下一轮模型爆发的底子;长线技术溢出何时能算进真实产线的账本,眼下还说不准,但迟早会等到那个节点。