全球人形機器人產業正迎來“大腦”技術革命，2025年開年短短三個月內，美國機器人初創公司Figure AI和谷歌DeepMind都先后公布了各自的通用具身智能大模型，同時，中西部首個人形機器人創新中心——成都人形機器人創新中心，也發布了國內首個基于3DSGs的人形機器人規劃推理執行系統Raydiculous—1。

谷歌DeepMind、Figure AI與成都創新中心正以不同技術路徑爭奪產業標準話語權，人形機器人的“腦”力角逐已經拉開帷幕。

谷歌Deep Mind：具身大模型的“通用智能野心”

谷歌DeepMind于2025年3月發布的基于Gemini 2.0的全新機器人AI模型——Gemini Robotics和Gemini Robotics-ER，在機器人泛化能力和空間推理方面表現出色，適配多形態機器人平臺，目標構建類似安卓的通用機器人生態。

Gemini Robotics主要有三個方面的提升：

泛化性：Gemini Robotics是一款基于視覺-語言-動作（VLA）的端到端模型，能夠處理全新的、訓練中從未遇到過的任務。例如，向機器人展示一個小型玩具籃球和籃網，并指示“灌籃”，盡管此前從未接觸過這些物體，但仍然理解了指令并完成了動作。Deep Mind稱其泛化能力比現有模型提高了一倍。

交互性：建立在Gemini 2.0基礎上的Gemini Robotics擁有良好的語言理解能力。例如，用戶通過自然語言指令“將香蕉放入透明容器”進行指示，機器人就能夠識別出目標并完成任務，即使容器移動后也能實時調整路徑。

靈巧性：Gemini Robotics能夠精確操作復雜多步驟任務，如雙臂協作折紙、將零食放入密封袋。

而Gemini Robotics-ER是一款視覺-語言模型（VLM），專注于增強空間推理能力。例如，面對咖啡杯時，它能識別適合抓取的杯把位置，并規劃安全的接近路徑。

Figure AI：端到端融合的“仿人類直覺”

硅谷明星企業Figure AI專注通用人形機器人研發，在終止與OpenAI合作后，2025年2月發布了一款名為Helix的端到端視覺-語言-動作（VLA）通用控制模型，泛化能力、動作精度與實時性都顯著提升，已在寶馬工廠進行小規模試點。主要有以下特點：

雙系統架構：Helix采用“系統1（S1）+系統2（S2）”架構，S2系統通過視覺語言模型解析指令，規劃任務目標。（如“整理工具箱”分解為“定位-分類-收納”），S1系統以毫秒級響應生成動作（如抓取易碎物品）。

跨物體泛化：Figure AI表示，Helix可直接部署在機器人自帶的低性能芯片上，利用預訓練的常識知識遷移實現跨物體泛化，而非依賴物體特征庫，例如通過“沙漠”語義關聯識別仙人掌玩具。

多機器人協作：Helix能夠同時支持兩臺機器人協作，共享神經網絡權重和實時環境感知數據，例如，兩臺機器人默契完成冰箱物品分類，甚至主動調整受力點協同搬運重物。

成都創新中心：人形機器人的“中國方案”

成都人形機器人創新中心是中西部首個人形機器人創新中心，成立之初就將“大腦”技術作為核心攻關方向。憑借“根技術創新”，成立不到一年就形成了眾多國際一流國內頂尖階段性成果。2024年已發布全國首個基于視覺擴散架構任務生成模型（R-DDPRM），國內首個機器人多模態模型（RRMM）+雙臂協作系統（RTACS），國內首個基于擴散架構高速推理模型（R-DDIRM）。

2025年3月，重磅發布了全國首個無需人工干預、無需遙控的自主完成跨空間人形機器人任務規劃推理執行系統Raydiculous—1，能夠完成動態環境下的長周期復雜任務（如從客廳到廚房取物，再到臥室整理），突破單一場景限制。這一成果在歐美團隊采用的對算力強依賴的端到端VLA架構之外驗證了新的基于3DSGs技術路徑，具有“跨場景”“長視野”“輕量型”的特點。

跨場景：相比于前面提到的FigureAI展示其機器人在“單一空間”的任務推理執行系統。成都人形機器人創新中心發布的Raydiculous—1系統通過構建三維場景圖（3DSGs），使機器人能夠理解“廚房”“臥室”等空間邏輯，并實現跨空間（如廚房-走廊-臥室）的連續任務執行。例如，機器人可自主穿越多個房間完成取物、操作等任務。結合VSLAM導航技術，系統能實時感知環境變化（如房門開啟/關閉、物體位置移動），并通過自主學習機制調整路徑規劃。在實測中，機器人成功處理了中途環境突變的情況，驗證了其跨場景魯棒性。

長視野：與在單一空間里面完成任務規劃相比，系統采用長視野（Long Horizon）任務規劃引擎，可在規劃層完成任務的分解，具備自主學習與理解場景和任務、長視野規劃任務的特性。例如，機器人在臥室時，就能夠完成“走到門口→打開門→走到廚房→打開冰箱→取出飲品→關閉冰箱門→返回臥室”的整套動作任務規劃。通過分層任務規劃機制，機器人將復雜任務拆解為導航、感知、執行等子模塊，并協調各模塊完成遠距離的連續動作序列。這種“化整為零”的架構使其在跨空間任務中仍能保持高效性。

輕量型：與谷歌和Figure AI依賴云端大模型的VLA（視覺-語言-動作）框架不同，成都創新中心的方案采用將計算負載分散至視覺建圖、語義理解等專業化模塊，端側推理功耗大幅降低，響應時間毫秒級（無網絡延遲）。通過模塊化設計（如調用VSLAM導航與感知模型），系統避免了千卡集群的算力依賴，中等消費級顯卡即可支持，硬件成本僅為同類方案的1/3，更適用于家庭服務、教育陪伴等消費級場景。

技術路徑對比

總結一下，谷歌DeepMind基于通用大模型（如Gemini），強化了空間推理和泛化能力，適配多硬件平臺，依賴云端算力，目標打造“機器人安卓生態”。Figure AI的Helix模型采用端到端融合的方式，通過雙系統架構（快思考與慢思考協同），專注工業場景的實時響應與高精度操作。而成都創新中心基于3DSGs技術，構建輕量化本地化系統（Raydiculous-1），通過模型小型化降低算力需求，通過網絡結構降低數據依賴，為家庭服務、養老醫療等民生領域提供更優解決方案。

他們的核心差異在于：

算力需求方面，谷歌依賴云端千卡集群，成都本地化部署模型則大幅降低功耗，成本優勢顯著；聯網需求方面：Figure與成都致力于減少云端依賴，谷歌需聯網協作；規劃能力方面，成都方案具有長視野跨空間的規劃能力，能夠完成長周期的復雜任務，有著“更低成本、更高安全、更強適應”的技術優勢。

盡管技術路徑不完全相同，三家團隊在基礎架構層面均采用“規劃-執行”分層策略（即高層任務解析與底層動作控制的協同框架），均致力于提升機器人在日常事務與家務勞動中的能力，通過人工智能與機器人技術的融合，推動機器人完成任務的全智能化與自主化。

▍結語：誰將定義人形機器人的未來？

這場“腦”力角逐的本質，是不同技術路線對同一目標（通用具身智能）的求解，同時也是技術路徑與產業生態的雙重競爭。人形機器人“大腦”技術不僅是算法競賽，更是國家高端制造能力的試金石。成都的實踐證明，通過根技術創新（如無圖導航、擴散任務模型、3DSGs架構），中國完全可能繞開歐美技術霸權，在家庭、養老、醫療、特種作業等領域開辟萬億美元級市場，為全球市場提供高經濟性、高可靠性的新選擇。這場終局之戰的勝者，必將屬于那些以技術自主性為矛、以產業生態為盾的破局者。