全球人形机器人产业正迎来“大脑”技术革命，2025年开年短短三个月内，美国机器人初创公司Figure AI和谷歌DeepMind都先后公布了各自的通用具身智能大模型，同时，中西部首个人形机器人创新中心——成都人形机器人创新中心，也发布了国内首个基于3DSGs的人形机器人规划推理执行系统Raydiculous—1。
谷歌DeepMind、Figure AI与成都创新中心正以不同技术路径争夺产业标准话语权，人形机器人的“脑”力角逐已经拉开帷幕。
▍谷歌Deep Mind：具身大模型的“通用智能野心”
谷歌DeepMind于2025年3月发布的基于Gemini 2.0的全新机器人AI模型——Gemini Robotics和Gemini Robotics-ER，在机器人泛化能力和空间推理方面表现出色，适配多形态机器人平台，目标构建类似安卓的通用机器人生态。
Gemini Robotics主要有三个方面的提升：
泛化性：Gemini Robotics是一款基于视觉-语言-动作（VLA）的端到端模型，能够处理全新的、训练中从未遇到过的任务。例如，向机器人展示一个小型玩具篮球和篮网，并指示“灌篮”，尽管此前从未接触过这些物体，但仍然理解了指令并完成了动作。Deep Mind称其泛化能力比现有模型提高了一倍。
交互性：建立在Gemini 2.0基础上的Gemini Robotics拥有良好的语言理解能力。例如，用户通过自然语言指令“将香蕉放入透明容器”进行指示，机器人就能够识别出目标并完成任务，即使容器移动后也能实时调整路径。
灵巧性：Gemini Robotics能够精确操作复杂多步骤任务，如双臂协作折纸、将零食放入密封袋。
而Gemini Robotics-ER是一款视觉-语言模型（VLM），专注于增强空间推理能力。例如，面对咖啡杯时，它能识别适合抓取的杯把位置，并规划安全的接近路径。
▍Figure AI：端到端融合的“仿人类直觉”
硅谷明星企业Figure AI专注通用人形机器人研发，在终止与OpenAI合作后，2025年2月发布了一款名为Helix的端到端视觉-语言-动作（VLA）通用控制模型，泛化能力、动作精度与实时性都显著提升，已在宝马工厂进行小规模试点。主要有以下特点：
双系统架构：Helix采用“系统1（S1）+系统2（S2）”架构，S2系统通过视觉语言模型解析指令，规划任务目标。（如“整理工具箱”分解为“定位-分类-收纳”），S1系统以毫秒级响应生成动作（如抓取易碎物品）。
跨物体泛化：Figure AI表示，Helix可直接部署在机器人自带的低性能芯片上，利用预训练的常识知识迁移实现跨物体泛化，而非依赖物体特征库，例如通过“沙漠”语义关联识别仙人掌玩具。
多机器人协作：Helix能够同时支持两台机器人协作，共享神经网络权重和实时环境感知数据，例如，两台机器人默契完成冰箱物品分类，甚至主动调整受力点协同搬运重物。
▍成都创新中心：人形机器人的“中国方案”
成都人形机器人创新中心是中西部首个人形机器人创新中心，成立之初就将“大脑”技术作为核心攻关方向。凭借“根技术创新”，成立不到一年就形成了众多国际一流国内顶尖阶段性成果。2024年已发布全国首个基于视觉扩散架构任务生成模型（R-DDPRM），国内首个机器人多模态模型（RRMM）+双臂协作系统（RTACS），国内首个基于扩散架构高速推理模型（R-DDIRM）。
2025年3月，重磅发布了全国首个无需人工干预、无需遥控的自主完成跨空间人形机器人任务规划推理执行系统Raydiculous—1，能够完成动态环境下的长周期复杂任务（如从客厅到厨房取物，再到卧室整理），突破单一场景限制。这一成果在欧美团队采用的对算力强依赖的端到端VLA架构之外验证了新的基于3DSGs技术路径，具有“跨场景”“长视野”“轻量型”的特点。
跨场景：相比于前面提到的Figure AI展示其机器人在“单一空间”的任务推理执行系统。成都人形机器人创新中心发布的Raydiculous—1系统通过构建三维场景图（3DSGs），使机器人能够理解“厨房”“卧室”等空间逻辑，并实现跨空间（如厨房-走廊-卧室）的连续任务执行。例如，机器人可自主穿越多个房间完成取物、操作等任务。结合VSLAM导航技术，系统能实时感知环境变化（如房门开启/关闭、物体位置移动），并通过自主学习机制调整路径规划。在实测中，机器人成功处理了中途环境突变的情况，验证了其跨场景鲁棒性。
长视野：与在单一空间里面完成任务规划相比，系统采用长视野（Long Horizon）任务规划引擎，可在规划层完成任务的分解，具备自主学习与理解场景和任务、长视野规划任务的特性。例如，机器人在卧室时，就能够完成“走到门口→打开门→走到厨房→打开冰箱→取出饮品→关闭冰箱门→返回卧室”的整套动作任务规划。通过分层任务规划机制，机器人将复杂任务拆解为导航、感知、执行等子模块，并协调各模块完成远距离的连续动作序列。这种“化整为零”的架构使其在跨空间任务中仍能保持高效性。
轻量型：与谷歌和Figure AI依赖云端大模型的VLA（视觉-语言-动作）框架不同，成都创新中心的方案采用将计算负载分散至视觉建图、语义理解等专业化模块，端侧推理功耗大幅降低，响应时间毫秒级（无网络延迟）。通过模块化设计（如调用VSLAM导航与感知模型），系统避免了千卡集群的算力依赖，中等消费级显卡即可支持，硬件成本仅为同类方案的1/3，更适用于家庭服务、教育陪伴等消费级场景。
▍技术路径对比
总结一下，谷歌DeepMind基于通用大模型（如Gemini），强化了空间推理和泛化能力，适配多硬件平台，依赖云端算力，目标打造“机器人安卓生态”。Figure AI的Helix模型采用端到端融合的方式，通过双系统架构（快思考与慢思考协同），专注工业场景的实时响应与高精度操作。而成都创新中心基于3DSGs技术，构建轻量化本地化系统（Raydiculous-1），通过模型小型化降低算力需求，通过网络结构降低数据依赖，为家庭服务、养老医疗等民生领域提供更优解决方案。
他们的核心差异在于：
算力需求方面，谷歌依赖云端千卡集群，成都本地化部署模型则大幅降低功耗，成本优势显著；联网需求方面：Figure与成都致力于减少云端依赖，谷歌需联网协作；规划能力方面，成都方案具有长视野跨空间的规划能力，能够完成长周期的复杂任务，有着“更低成本、更高安全、更强适应”的技术优势。
尽管技术路径不完全相同，三家团队在基础架构层面均采用“规划-执行”分层策略（即高层任务解析与底层动作控制的协同框架），均致力于提升机器人在日常事务与家务劳动中的能力，通过人工智能与机器人技术的融合，推动机器人完成任务的全智能化与自主化。
▍结语：谁将定义人形机器人的未来？
这场“脑”力角逐的本质，是不同技术路线对同一目标（通用具身智能）的求解，同时也是技术路径与产业生态的双重竞争。人形机器人“大脑”技术不仅是算法竞赛，更是国家高端制造能力的试金石。成都的实践证明，通过根技术创新（如无图导航、扩散任务模型、3DSGs架构），中国完全可能绕开欧美技术霸权，在家庭、养老、医疗、特种作业等领域开辟万亿美元级市场，为全球市场提供高经济性、高可靠性的新选择。这场终局之战的胜者，必将属于那些以技术自主性为矛、以产业生态为盾的破局者。
（文：机器人大讲堂）