机器人“大脑”60年进化史：基础模型的五代进化与三大闭源流派

2025年，机器人公司发布的Demo都有点魔幻：

首先是Figure AI，在10月发布了第三代机器人，能做各种家务，Demo也很酷炫，但任务的成功率存在很多质疑，而且脸的设计，恐怖谷现象有点严重。

10月底发布demo的另一家明星公司1X，整个脸部设计就可爱了非常多，感觉是更愿意让大家搬到家里的。但是叫做Neo的这款机器人依赖远程操控，被批评是“假智能”，而且有各种隐私问题。

同时，特斯拉的机器人虽然也发布了各种Demo的更新，包括在12月发布的非常顺滑的跑步Demo，但明显量产计划在2025年遇到了极大的挑战，让公司不得不暂停生产，重新设计硬件。

我们的机器人系列已经聊了灵巧手，以及2025年具身智能行业年度盘点，本篇文章就来深聊一下这个产业的一个核心技术：机器人基础模型。我们试图回答这样一个问题：为什么2025年突然变成了机器人基础模型的“元年”？

我们也走访了硅谷的前沿机器人公司和实验室，而基础模型篇会分为“闭源”和“开源”两篇，系统拆解当下主流机器人的“大脑”是如何被训练出来、如何接入真实世界、以及不同路线背后的技术与商业逻辑。带你看清，大模型时代的机器人，大脑究竟是怎么长成的。本篇文章我们先来聊一聊目前资本市场的宠儿——闭源系统。

01

机器人基础模型从60年代到2025年的范式革命

如果要用一句话解释机器人基础模型，最简单的类比是：如果说GPT是“会说话的大脑”，那机器人基础模型就是“会动手的大脑”。

但这个“会动手的大脑”，人类研究了整整60年才做出来。我们先来回顾一下，大模型出现以前的四大机器人范式。

Chapter 1.1 第一代：编程式机器人（1960s-1990s）

1961年，世界上第一台工业机器人Unimate在通用汽车的工厂里“上班”了。它的工作很简单：从生产线上抓起滚烫的金属零件，放到另一条生产线上。

从现在的眼光看，它蛮“傻”的，因为完全靠编程，工程师用代码告诉它：

步骤1：手臂向左移动30厘米

步骤2：手爪闭合

步骤3：手臂向上移动50厘米

步骤4：手臂向右旋转90度

步骤5：手爪松开

听起来很傻对吧？但在当时，这已经是革命性的突破了。这种方式的问题很明显：零容错、零灵活性。

如果零件的位置偏了1厘米，机器人就抓不到，如果换一个不同尺寸的零件，就得重新写代码。更别说应对意外情况——比如零件掉在地上，机器人就彻底不知道该干什么了。

但在工厂这种高度可控的环境里，这套方法管用了几十年。直到今天，很多汽车工厂的焊接机器人，还在用这套“编程式”的逻辑。

Chapter 1.2 第二代：基于SLAM的方法（1990s-2010s）

到了90年代，机器人学家们意识到：光靠编程不行，机器人得能“感知”环境。于是出现了SLAM（同时定位与地图构建）、运动规划这些技术。

这里的核心思路是：先用传感器“看”周围环境，建立一个3D地图，然后在地图上规划路径，最后执行动作。这个方式最成功的应用就是扫地机器人。

风靡一时的Roomba就是这么工作的：它用激光雷达扫描房间，建立地图；然后规划一条覆盖所有区域的路径；再按照路径移动，遇到障碍物就绕开。

这套方法在“导航”任务上很成功：早期的无人车、无人机、物流机器人，基本都是这个套路。但在“操作”任务上就不行了，因为操作任务太复杂了，比如让机器人叠一条毛巾，传统方法是四步：

1.用视觉识别毛巾的四个角

2.计算每个角的3D坐标

3.规划手臂的运动轨迹

4.执行抓取、折叠、放下

听起来挺合理，但实际操作中到处是坑：毛巾可能皱成一团，根本识别不出“四个角”；毛巾是柔性的，你一抓它就变形，3D坐标立刻失效；每一步都可能出错，一出错整个流程就崩了。

2010年，加州伯克利的一个研究团队做过一个实验：让机器人叠毛巾，用的就是这套“感知→规划→执行”的方法。结果平均一条毛巾要花24分钟。

而叠毛巾在如今AI时代来临之后，也同样是非常核心的，需要基础模型去驱动机器人攻破的任务。

Chapter 1.3 第三代：行为克隆（2010s中期）

既然手工设计规则不行，那能不能让机器人直接“学”人类怎么做？这就是行为克隆（Behavior Cloning）的思路，也叫模仿学习（Imitation Learning）。

同样以叠毛巾为例，机器人模仿学习会这么做：让人类演示很多次怎么叠毛巾；记录下每一帧的视觉输入和动作输出；训练一个神经网络，学习输入→输出的映射；机器人看到毛巾，直接输出该做什么动作。

2015年，Google Brain的一个团队用这个方法，让机器人学会了抓取各种物体。他们收集了数十万次抓取的数据，训练了一个神经网络，推动了“视觉-动作”学习在机器人抓取任务上的进展。

这可以说是个巨大的进步！第一次，机器人不需要手工编写规则，可以通过数据学习了。

但这个方法有个致命缺陷：数据效率太低。它需要数十万次抓取数据来训练，而且这只是“抓取”这一个动作。如果要学“叠毛巾”，可能100万次演示都不够了。

更要命的是，这个方法的泛化性很差。你用A型号机器人收集的数据，训练出来的模型，在B型号机器人上基本不能用。

Chapter 1.4 第四代：强化学习（2010s后期）

2016年，AlphaGo战胜李世石，证明了强化学习的威力。机器人科学家们想：能不能让机器人也用强化学习，自己摸索出怎么完成任务？

强化学习的核心思路是：不需要人类演示，让机器人自己尝试，做对了给奖励，做错了给惩罚，机器人慢慢学会怎么做能获得最多奖励。

当时，波士顿动力的机器人就开始将强化学习引入移动控制系统，让它们能在各种复杂地形上行走、跳跃、后空翻。

但强化学习也有个大问题：太慢了。AlphaGo为了学会下围棋，在仿真环境里自己和自己下了几千万局，但机器人操作任务，很难在仿真环境里练，因为环境复杂度太高，非常难设置，和真实物理世界差别较大，导致仿真不准。

但真机试错呢？太慢、太贵、太危险。想象一下，让机器人学叠毛巾，它可能要试几百万次，其中大部分时候会出现的情况是：抓空、把毛巾扔到地上、把毛巾撕破、手臂卡住等等。这样学下去，要到猴年马月？

而且强化学习有个更根本的问题：它不知道“常识”。人类知道，毛巾是软的、可以折叠的、有一定的摩擦力。但强化学习的机器人，需要通过无数次试错才能“发现”这些常识，效率太低。

Chapter 1.5 第五代：VLA模型（2020s中期-现在）

大语言模型的出现，改变了一切。2022年，ChatGPT横空出世，人们发现：大语言模型里蕴含了人类世界的大量“常识”：它知道毛巾是什么、叠是什么意思、先做什么后做什么。它有推理能力、规划能力、泛化能力。

行业里的第一反应就是，能不能把大语言模型和机器人结合起来？于是，VLA（Vision-Language-Action）模型诞生了。VLA模型的革命性在于，它把三个东西统一到一个神经网络里：

Vision（视觉）：看到当前的场景；Language（语言）：理解任务目标和常识；Action（动作）：输出具体的控制指令。

举个例子，你对机器人说：“帮我把桌上的苹果放到篮子里。”传统方法需要四步：

1.视觉识别“苹果”和“篮子”

2.规划“抓取苹果”的轨迹

3.规划“移动到篮子”的轨迹

4.规划“放下”的动作

VLA模型呢？一个端到端的神经网络，直接从“语言指令+视觉输入”，输出“下一步该做什么动作”。

更神奇的是，它会“常识推理”。比如你说“帮我准备早餐”，面对着家庭环境，它知道：要从冰箱拿出鸡蛋；鸡蛋要小心拿，不能摔碎；面包要放进烤面包机。

这些常识，不需要你一条条编程，也不需要它自己试错几百万次去“发现”。 因为大语言模型里已经有了。