前段时间，雷科技WAIC2026报道团从现场发回的消息在杭州的几个项目群里被反复转发。超过两百家机器人相关企业、三百多台真机同台，宇树三米高的载人变形机甲来回切换形态，智元的机器人用镊子夹起两毫米电阻焊到电路板上。后空翻和机械舞仍在吸引人群，但真正让做项目落地的人停下来看的，是厂商们开始用另一种方式证明自己：机器人不只会动，还能干活，甚至想干更多活。

做了这么多年硬件和软件交叉的项目，我对"能跑能跳"这件事已经不太激动。造出一副能伸手、能迈步的身体，不再是当下最稀缺的能力。真正卡住交付节点的，永远是大脑那一层——怎么让机器人看懂混乱的车间或家庭环境，判断下一步该做什么，再把这个判断稳定地送到几十个关节去执行。WAIC结束一周多后，Google DeepMind推出了Gemini Robotics 2，一个主打全身智能的机器人通用模型，适用于各种不同形态的机器人。消息出来当天，我把团队拉到会议室，把发布材料逐段过了一遍。不是因为谷歌又发了新模型，而是因为这一次，它试图回答的问题恰好是我们项目管理中最难排期的那一部分。

全身智能这个词听起来很学术，但放到真实场景里一点都不抽象。人弯腰捡起地上的水壶，会自然地前倾、屈膝、伸手，同时调整重心。封一只自封袋，会自然地对齐两侧封口，再用手指从一端捏到另一端，还会根据塑料的形变随时调整力度。这些动作对人来说不需要思考，对机器人却是一连串彼此牵制的计算。身体零件越齐全，控制难度越像滚雪球。腿动了重心变，重心变了手臂可达范围跟着变，手伸出去又要腿来补偿。过去做项目拆分，我们习惯把导航、平衡、抓取分给不同的小组和不同的控制器，各自的KPI都很好看，但联调的时候接缝处全是问题。

谷歌这次发布包含三个模型。Gemini Robotics ER 2负责理解环境、规划长任务和与人沟通，Gemini Robotics 2这个VLA模型把视觉与语言直接转成动作，On-Device 2则把动作模型压到本地，并能用少于两百个样例、几小时数据适配新的机器人本体。核心变化在于，谷歌开始用一组模型协调一台人形机器人的双腿、躯干、双臂和手指，让它一边思考推理，一边移动操作。从项目管理的角度看，这不是简单的模型升级，而是把过去分散在多个模块、多个供应商、多个交付节点上的接口风险，收束到了一个统一的动作空间里。

这种收束直接回应了一个长期困扰我们的问题。过去不少机器人演示都有很强的回合制游戏感。机器人先走到桌边、停下、站稳，然后调用机械臂抓取物体。抓完以后，再次切换到行走控制器，去往下一个位置。每一段动作单独看都完成得不错，但只要桌子偏了一点、物体滑了一下，或者必须边走边维持抓握，几个独立模块之间的接缝就会露出来。做项目交付的时候，这种接缝就是最容易写进风险登记册的条目：模块A的输出和模块B的输入对不上，现场调试要反复改接口协议，排期一拖再拖。

上一代Gemini Robotics主要控制机器人的上半身，处理桌面任务。到了Gemini Robotics 2，官方视频中的Apptronik Apollo 2会走向放在地上的绿色水壶，弯腰把它提起来。另一段画面中，Apollo 2走到货架前，取出一只棒球手套，随后转身离开。这些动作看起来平平无奇，背后却同时依赖视野、可达范围、步态和重心。手臂伸得更远，身体就要跟着前倾。身体前倾，双腿又必须及时补偿。我们团队在评审这段视频的时候反复暂停，讨论的不是"它做到了"，而是"它做到了多少"以及"在什么条件下做到的"。因为项目经理关心的从来不是演示视频里的那一次成功，而是第一百次、第一千次在不同光照、不同地面、不同物体摆放角度下的稳定性。

全身的实际含义，是模型不再把腿当运输工具、把手当作业工具，而是把整副身体视为一个相互耦合的动作空间。谷歌称，同一个模型已经用于搭载不同灵巧手的Apollo 2，以及使用两指夹爪的Franka Duo。这意味着底层动作表征开始具备跨本体迁移的可能。对做平台化产品的团队来说，这是专业力的体现——不是为某一台机器人写一套死的控制逻辑，而是构建一个能适配多种构型的通用框架。但同时也要看到，Apollo走路、下蹲和摆放物体的速度都很慢，官方测试中，Apollo从桌面、地面和货架取物的平均成功率分别为百分之六十八点四、百分之四十五点七和百分之七十六点三。最能体现全身控制能力的地面取物，恰好也是成功率最低的一项。这个数据很诚实，也很有项目参考价值：越是需要全身协调的任务，当前的失败概率越高，交付时越要准备降级方案和人工介入流程。

全身控制解决的是机器人怎么抵达、怎么站稳。真正决定它能不能进入家庭和工厂的，往往还是最后几厘米。Apollo 2使用一只拥有二十二个自由度的五指SharpaWave灵巧手，尝试拧灯泡、封自封袋、给垃圾袋打结。Franka Duo的两只夹爪负责把形状各异的工具紧密装进工具箱。过去机器人最常见的抓取演示只是把硬物从A点搬到B点。这些任务却涉及连续接触、双手配合和形变：塑料袋会塌，绳结会滑，灯泡既要对准螺纹，又不能捏得太用力。从控制力的角度看，从刚性物体搬运到可变形物体操作，难度不是线性增加，而是阶跃式增加。项目排期时不能简单地把"抓取成功率"当作一个统一指标，必须按接触类型、物体材质和配合方式拆成子任务，分别设定验收标准。

谷歌公布的数据很值得逐条看。两指夹爪在通用抓放、工具配套和精密插入上的平均成功率分别达到百分之七十四点二、百分之七十八点九和百分之八十九点六。多指灵巧手的差距迅速拉开：拧下灯泡达到百分之九十二，拧上灯泡只有百分之三十六，扎垃圾袋是百分之四十四，使用簸箕和封自封袋分别只有百分之三十二和百分之四十。大模型已经能接管相当复杂的手部动作，而多指灵巧操作远没有达到人类级。对项目交付来说，这组数字传递了一个明确的信号：在可预见的量产爬坡阶段，两指夹爪反而是更稳妥的执行末端，而多指灵巧手适合作为技术预研和高端场景的选配。成本维上，多指手的硬件成本和维护成本都明显更高，如果任务场景中百分之八十的工作可以用两指夹爪完成，从投入产出比看就不应该为了"好看"而强行上灵巧手。

说到好看维，WAIC现场那些后空翻和机甲确实抓人眼球，但真正走进工厂和家庭的机器人，外观的"好看"更多体现在比例协调、动作自然和不干扰人类工作空间，而不是炫技。Gemini Robotics 2让Apollo 2弯腰取水壶的动作虽然缓慢，但那种身体整体参与的自然感，比一个干净利落的后空翻更接近量产产品需要的气质。创新力不只是做出别人没做过的动作，更是把复杂的事情做得稳定、可重复、可维护。

多机协作是这次发布中我个人最关注的部分。Apollo与Franka Duo共同整理工具箱，Apollo发出任务，Duo把工具装入盒内，两台机器人各自运行一套模型，通过高层推理分配和衔接工作。ER 2还会持续查看视频，判断任务进度、发现失败并决定是否重试。这已经触及了项目管理中最复杂的领域：多主体协同。两台机器人之间的任务分配、状态同步、失败回退和重试策略，本质上和一个跨部门项目的管理逻辑是同构的。谁负责拆解任务，谁负责执行，执行失败后谁来判断是否重试，重试几次后升级为人工介入——这些决策逻辑如果没有在系统层面设计清楚，现场就会出现两个机器人互相等待或者重复操作的混乱局面。ER 2持续查看视频判断进度的设计，相当于在系统里内置了一个项目监控角色，这对于长任务的可靠执行至关重要。

具身智能行业普遍将机器人架构概括成大脑和小脑。大模型负责看懂指令、拆解任务，小模型和传统控制器负责导航、平衡、抓取。这个分层在过去几年指导了很多团队的组织架构和模块划分。但问题在于物理世界并不喜欢整齐的模块边界。抬起重物会改变平衡，向前迈步会改变手臂的可达范围，手里的杯子一滑，路径规划马上作废。做过系统集成的人都知道，模块之间的耦合点就是bug的温床，也是项目延期最常见的根因。你以为接口已经冻结了，联调时才发现一个模块的输出在边界条件下根本不在另一个模块的处理范围内。

谷歌没有放弃大小脑。ER 2依然是高层大脑，负责看、想、规划和调用工具，再把动作执行交给VLA。谷歌解决的，是在动作层把走路、平衡、躯干和手臂不再切成一堆互不相干的小脑。Gemini Robotics 2用一个VLA统一全身动作，ER 2则可以一边观察执行，一边思考后续步骤。分界线很清楚：高层仍然分层，身体开始端到端。从项目方法论来看，这是一种务实的折中——高层保留可解释、可审计、可人工干预的决策链路，底层则用端到端模型消除模块接缝。这种架构对合规维尤其重要，因为安全责任需要清晰的归属：ER 2的决策日志可以追溯，底层VLA的动作输出可以通过安全约束层进行过滤和拦截。

安全方面，ER 2引入安全约束、可行性判断和请求人类介入，底层仍保留传统物理安全机制。在工业场景中，安全不是加分项而是准入项。项目经理需要确认的是，当模型判断不可行时会不会主动停下来，当人类进入工作空间时能不能及时减速或暂停，当网络中断时本地模型能不能接管基本的安全姿态。On-Device 2把动作模型压到本地运行，这在网络不稳定的车间或家庭环境中是保障力的重要组成部分。但本地运行也意味着更新和运维更加复杂，版本一致性、模型热更新和回滚机制都需要在项目初期就纳入设计。

这条路线也不是谷歌独有。Figure的Helix 02同样把所有传感器接入一个全身视觉运动策略，让System 1以两百赫兹输出全身关节目标，System 0以一千赫兹处理平衡和接触，System 2负责语义推理。智元的GO-2把问题称为语义与执行之间的鸿沟，用动作思维链与异步双系统连接低频规划和高频执行。三家公司的具体实现不同，但方向一致：把身体层面的分散控制收拢为统一策略，把语义层面的规划和执行层面的高频控制通过异步机制连接起来。做竞品分析的时候，不能只看谁的演示视频更流畅，而要看架构中哪些部分是端到端的、哪些部分是分层的，以及这种取舍对调试难度、安全认证和后续迭代速度的影响。

往更远的方向看，全身智能有三个主要的推进方向：更多本体、更长任务和更少的专用数据。英伟达GR00T N1.6吃进数千小时遥操作数据，在智元Genie-1、宇树G1和不同双臂平台上进行后训练。Physical Intelligence的π0.5混合不同机器人、网页知识和高层子任务数据，任务时长达到十到十五分钟。蚂蚁灵波LingBot-VLA 2.0用六万小时数据覆盖二十种机器人构型，把手臂、灵巧手、腰、头和移动底盘映射进统一动作空间。这些数据量和本体覆盖范围的竞赛，表面上看是技术路线之争，对项目经理来说却是供应链和数据合作策略的选择。你的项目是绑定一个本体厂商做深，还是构建跨本体适配能力？遥操作数据的采集成本、标注质量和合规审查怎么控制？这些问题在项目立项阶段就必须回答。

Gemini Robotics On-Device 2用不到两百个样例适配新本体，这个数字如果在真实场景中可复现，对项目交付的意义是巨大的。传统工业机器人换一条产线可能需要数周甚至数月的重新调试和编程，而如果几小时数据就能完成新本体适配，项目的边际交付成本会显著下降。但作为项目经理，我对实验室数据和现场表现之间的差距始终保持警惕。两百个样例是在什么环境下采集的，覆盖了多少种边缘情况，适配后的成功率在连续运行八小时后衰减多少——这些才是量产维真正关心的问题。量产不是把演示跑通，而是在物料公差、设备磨损、人员流动和环境变化的条件下，让每一台下线的机器人都能达到承诺的性能指标。

真实部署要面对的问题远不止模型本身。磨损会改变关节的摩擦力和回程间隙，电量下降会影响电机的输出扭矩，碰撞会造成结构件的微小变形，人类突然闯入会打乱运动规划，网络中断会切断云端推理。这些因素在实验室里很难充分模拟，但在工厂车间和家庭环境中每天都在发生。项目风险管理必须把这些因素列入故障模式与影响分析，逐项制定缓解措施和应急预案。比如在关键工位保留人工旁路，在电池电量低于阈值时主动降低运动速度和负载，在检测到碰撞后立即进入安全姿态并请求人工检查。

从专利维来看，全身VLA模型的架构、跨本体动作表征、多机协作的任务分配机制和本地适配方法，都是值得提前布局的知识产权高地。谷歌、Figure、智元、英伟达和Physical Intelligence各自选择了不同的技术路径，专利格局尚未固化。国内团队在追赶技术能力的同时，需要在数据采集方法、安全约束机制和行业应用场景上形成自己的专利组合。在项目初期就引入专利评审，比产品上线后再补救成本低得多。

成本维的计算要从全生命周期来看。一台人形机器人的硬件成本只是冰山一角，遥操作数据采集、模型训练和微调、现场部署调试、日常维护和零部件更换，这些成本加起来往往超过硬件本身。如果VLA模型能大幅减少对新场景的编程和调试时间，如果On-Device适配能把新本体接入周期从周压缩到天，如果ER 2的监控和重试机制能降低人工干预频率，那么即使硬件本身价格不低，整体拥有成本也可能降到可接受的范围。项目经理要算的是这笔总账，而不是单纯比对硬件BOM价格。

保障力体现在项目交付的每一个环节。从需求阶段就要明确哪些任务是机器人必须自主完成的，哪些任务可以降级为半自动，哪些情况下必须请求人工介入。从设计阶段就要考虑模块化更换，灵巧手坏了能不能快速换成夹爪继续工作，单个关节故障会不会导致整机停机。从测试阶段就要建立覆盖标准工况和边缘工况的测试用例库，不能只测成功率高的项目，更要测成功率低的项目并给出明确的改进路线图。从部署阶段就要准备现场培训文档和快速响应机制，客户买的不是一台机器，而是一个能稳定产出的工作单元。

Gemini Robotics 2最重要的地方，是让具身智能模型开始越过桌面和上半身，把走路、平衡、精细操作、长任务与多机协作放进同一张考卷。这张考卷的出题人不再只是研究人员，还包括工厂经理、物流主管和家庭用户。项目经理的角色，就是把这张考卷上的每一道题翻译成可排期、可验收、可交付的工作包，并且在技术尚未成熟的领域诚实地标注风险、准备退路。全身智能给了我们一个更统一的技术框架，但从框架到产品之间的距离，仍然需要大量扎实的工程管理来填补。

做项目久了会形成一种直觉：越是看起来自然流畅的动作，背后越是无数次失败和调整的积累。Apollo 2弯腰捡起水壶的那几秒钟，在项目计划中可能对应着几个月的算法迭代、硬件验证和场景测试。谷歌给出的成功率数字不是结论，而是一个起点。真正的考验在于，当这些数字变成合同里的验收条款、变成产线上的节拍要求、变成客户每天使用的日常时，团队能不能持续交付、持续改进、持续承担责任。具身智能的赛道很长，全身智能只是其中一个章节，而项目经理的考卷，才刚刚翻开第一页。