与以往版本相比，最大的变化在于控制范围。此前的模型主要负责机器人上半身在桌面场景下的操作，而新模型能够统一管理整台人形机器人的行走、下蹲、伸手与抓取，从”脚到指尖”由同一套策略接管。

三个模型分工协作

Gemini Robotics 2 并非单一模型，而是把几套模型整合进同一个系统。

其中，视觉语言模型负责理解图像和视频，与人类沟通并推理任务该怎么完成；两个视觉语言动作模型经过空间运动训练，分别控制机器人的全身动作以及夹爪或机械手的动作。

按 DeepMind 的划分，这套体系包含三个成员：Gemini Robotics 2 是核心的动作模型，把视觉感知和自然语言指令直接转换成电机控制信号；Gemini Robotics ER 2 是负责具身推理的高层”大脑”，承担任务拆解、进度跟踪与多机协调；Gemini Robotics On-Device 2 则是可在机器人本地硬件上运行的小型版本，面向延迟敏感或网络不稳定的场景。

在发布前提供的演示视频中，多台不同机器人依靠这套模型自主完成了复杂任务。其中一段演示里，Apptronik 公司的 Apollo 2 机器人搭配 Sharpa 公司提供的机械手整理货架。收到”把洒水壶放进下层货架的绿色箱子”这样一句指令后，机器人会先观察现场，走到桌边取起水壶，再移动到货架前下蹲，把物品放进指定位置——整个过程不需要拆成一段段预设子程序。

DeepMind 表示，这些能力是通过人类遥操作、视频示范与仿真数据混合训练出来的。目前的人工智能模型还做不到在完全没有针对性训练的情况下完成大量复杂任务。

成绩单并不完美

DeepMind 公布的自测数据显示，不同任务之间的差距相当明显。

在搭配 Inspire 机械手的 Apollo 2 上，通用全身操作的准确率为：从桌面取物 68.4%，从地面取物 45.7%，从货架取物 76.3%。换成 Sharpa 的 SharpaWave 触觉手后，精细动作的表现更加参差：拧上灯泡 36%，拧下灯泡 92%，系垃圾袋 44%，簸箕任务 32%，密封袋任务 40%。DeepMind 也承认，多指灵巧操作仍然是难点。

相比之下，使用两指夹爪的 Franka Duo 平台成绩更稳：通用抓放 74.2%，多样化工具分拣 78.9%，精密插入 89.6%。这组对比说明，五指机械手远未被攻克，可靠的夹爪作业与仍显脆弱的拟人化操作之间，差距还在拉大。

高层推理模型 ER 2 的进步则较为扎实。它可以观察房间环境、逐步推理、与动作模型协同、跟踪进度，并在某一步失败时自我纠正，支撑持续数分钟、包含数百次决策的任务序列。它还能协调多台机器人——包括不同类型的机器人——彼此沟通、分工完成同一套流程。

本地运行的 On-Device 2 主打快速适配：面对全新的双臂机器人形态，只需几小时数据、通常少于 200 个示例，就能完成迁移，即便机器人的外形、传感器和自由度各不相同。

安全问题被摆到台前

把前沿模型接入机器人，让它们在工作场所或家庭里自由活动、操作物品，风险不容忽视。已有研究显示，用前沿人工智能控制机器人可能产生意料之外、有时甚至危险的行为。

“安全问题变得更加紧迫，因为你把它们放进了大量其他情境中，”谷歌 DeepMind 机器人负责人 Carolina Parada 对 WIRED 表示，”会冒出很多不确定性，所以你需要能够更深入地理解安全问题。”

Parada 介绍，谷歌采取分层防护思路，在每一层模型上都设置护栏。与新模型一同推出的还有 ASIMOV-Agentic——一套用于衡量多个人工智能系统协同控制机器人时安全性的新基准，可以检测某条指令是否会导致有害或不确定的后果。该基准已在模型托管平台上公开。DeepMind 称，ER 2 是其迄今在安全约束遵循和人体接近检测方面表现最好的机器人模型，能够识别靠近的人员、触发安全调用并让机器人平稳停下。

Parada 还给出了一句更具野心的表述：”这是我们通往所谓物理通用人工智能道路上的又一个里程碑，意思是让机器人能做人类能做的任何事。”

谷歌的另一张牌

在聊天机器人和编程工具领域，Anthropic 与 OpenAI 走在前面，但谷歌在机器人研究上积累更深，此前已发表多项用人工智能训练机器人完成实际任务的重要成果，也曾与腿式机器人领域的领先企业波士顿动力合作，为其机器提供”大脑”。这次发布再次表明，这家搜索巨头押注人工智能必须走出数字世界，才能释放全部潜力。谷歌 DeepMind 首席执行官 Demis Hassabis 此前对 WIRED 表示，他希望打造一套适用于各类机器人的人工智能操作系统，类似智能手机领域的安卓系统。

从开放程度看，ER 2 已面向开发者开放，可通过 Google AI Studio 与相关接口调用；动作模型和本地模型目前仅向早期合作伙伴提供。

来源：WIRED《Gemini Robotics 2 Brings Google’s AI Into the Physical World》，作者 Will Knight；测评数据与模型开放情况参考 Google DeepMind 官方发布内容整理。

这家公司由菜鸟前首席技术官李强创办。在阿里巴巴集团任职的十七年里，李强先后辗转淘宝天猫、菜鸟、国际化业务与无人车四大板块，均承担从零到一的体系搭建与运营管理，曾任菜鸟集团首席技术官、阿里巴巴国际数字商业板块首席技术官，管理分布全球的数千人研发团队，并兼任菜鸟无人车总经理，统筹自动驾驶技术的研发与商业化。其团队曾与海外两百个国家的邮政系统深度对接，积累了全球物流履约的一线经验。

不做完美模型，先跑通商业化

具身智能赛道的创始人大致分两类：一类出身自动驾驶，长于系统集成与工程化落地；另一类源于前沿实验室，具备尖端的具身智能技术视角。李强属于第三类——此前深耕物流商业化场景，兼具人工智能技术理解力与全球化业务操盘经验。

昆腾动力成立于二〇二六年上半年，聚焦人工智能与真实物理世界的深度融合，自研可跨多场景复用的通用智能系统技术，主攻面向全行业的物理智能底层平台。在李强看来，公司选择的是一条差异化路线：”不需要等一个完美的通用模型出现再去找场景，而是先找到能把现有技术转化为客户价值的切入点，率先跑通商业化。”

业内共识正在形成：物理智能已成为继大语言模型之后的下一个主战场，竞赛的胜负手正从模型参数大小，迈向真实数据的厚度。市场研究机构国际数据公司（IDC）的报告显示，二〇二五年中国具身智能机器人用户支出规模预计超过十四亿美元，到二〇三〇年将飙升至七百七十亿美元，年均复合增长率达百分之九十四。

把仓库当作天然训练场

一个结构性问题随之凸显：物理世界的数据，无法像文本和图像那样通过爬虫批量获取。这意味着，谁先拥有规模化部署真机的能力，谁就掌握了数据采集的优先权。这也是昆腾动力切入产业的底层逻辑——先扎进物流仓库，靠真机部署积累独家真实数据，再反向打磨底层的世界动作模型。

在一座中型仓库里，一台拣货机器人每天完成数万次抓取、放置、扫描、贴标的动作，覆盖从刚性箱体到柔性包裹、从标准尺寸到异形商品的几乎所有物理操作类型。每一次动作的成功或失败，都是一个无需人工标注的清晰信号。这些环节正是物流网络中用工缺口最大、人力成本占比最高的部分，也恰是传统自动化迟迟啃不下来的硬骨头。

为此，昆腾动力搭建了一套数据闭环体系。部署在机器人本体的轻量级算法能实时识别高价值数据片段——包括需要人工干预的场景、模型预测置信度低的”近似失败”状态，以及反复尝试均未成功的困难案例，并自动打标、回传，进入训练管道。配合”人在回路”机制，系统能判断人工介入时机，把每一次干预都转化为训练数据，使单人可管理的机器人数量持续提升。

六模块协同的具身智能系统

当真实场景数据达到足够密度，昆腾动力开始自研基础模型，目标不是打造单点能力模型，而是构建一套能从真实部署中持续进化的具身智能系统。这套系统由六个技术模块协同构成。

首先是具身原生的世界动作模型。它区别于常见的视频预测模型，通过联合建模视觉、动作、本体状态与触觉信号，让模型学习”一次操作会如何改变物理世界”，并满足机器人实时控制的工程要求。执行层面，系统部署了轻量级的世界模型校正器，用于实时监控动作执行偏差，在操作失效前触发纠偏、重规划与重试，以此提高真实场景中的任务成功率。

面对新客户与新仓库，系统无需重新训练全模型权重，而是通过测试时训练、少样本示范与历史经验复用，让机器人快速适应不同的货物、货架、光照与流程变化。最终，所有具身机器人组成一支持续学习与自我进化的集群，每台设备产生的成功、失败、干预与恢复经验，经由离线强化学习、偏好优化、仿真训练与真机验证的多重流程，持续更新至整个机群。

落地节奏：从仓库走向居家

昆腾动力将落地节奏分为两个阶段。二〇二六年重点瞄准面向消费者与中小商家的电商仓库，聚焦补货上架、货品拣选、包裹打包三大人力密集工序，优先落地美妆、医药等货品规整的仓储环境，采用人机协同混产模式完成规模化试点。到二〇二七年，业务边界进一步向复杂快递网点延伸，遵循”物流仓储到工业产线、零售货架、医药分拣，再到商用服务，最终进入居家民生服务”的拓展路径。

物理智能的竞赛，落脚点从来不只是技术演示的惊艳程度，而是机器人能否在真实世界里稳定地完成作业。昆腾动力选择的是一条并不性感的路径——先让数千台机器人在仓库里跑起来。它要证明的不只是一家公司的商业可行性，更是物理智能”从垂直场景切入、逐步走向通用”的路线可行性。

来源：36氪（硬氪首发）

DeepMind 机器人团队负责人卡罗琳娜·帕拉达在官方博客中表示，要想大规模解决最棘手的问题，各种形态和尺寸的机器人都需要 AI 模型赋予它们思考、行动和智能交互的能力，从而安全地完成任务。

一套系统，三个模型

Gemini Robotics 2 实际上是三个相互配合的模型组成的完整体系。

第一个是同名的视觉-语言-动作模型（VLA），负责把摄像头画面和自然语言指令直接转化为电机控制信号。与此前只能控制上半身、完成桌面任务的版本不同，新模型可以控制完整的人形机器人，覆盖行走、下蹲、伸展和双手操作。

第二个是具身推理模型 Gemini Robotics ER 2，相当于机器人的”高层大脑”。它负责理解用户指令、观察环境、拆解任务步骤、跟踪执行进度，可以规划持续数分钟、涉及数百个决策的长任务，还能在某一步失败时自我纠正。这次更新还引入了多机器人协作能力，让不同类型的机器人互相沟通、组队完成单台机器人无法胜任的复杂流程。

第三个是 Gemini Robotics On-Device 2，专为本地运行优化，不依赖网络连接。它继承了上一代的”动作迁移”技术，只需几个小时的适配时间、通常不到 200 个示例，就能移植到形状、传感器和自由度完全不同的新机器人身上。

演示效果：搬东西、打结、封袋子

在演示中，搭载新模型的 Apptronik Apollo 2 人形机器人接到一句指令——”把浇水壶放进底层架子的绿色箱子里”。它随即理解指令，走到桌边拿起浇水壶，再走几步到架子前，下蹲并把壶准确放进目标位置，整个过程由单一模型一气呵成，不需要在”行走程序”和”操作程序”之间切换。

在精细操作方面，该模型可以驱动 Apollo 2 上五指、22 个自由度的 SharpaWave 灵巧手完成打绳结、封密封袋这类精细动作，也能操控 Franka Duo 平台上的标准双指夹爪完成紧密装箱等任务。

不过 DeepMind 也坦承，机器人在动作速度上仍有很大提升空间，多指灵巧操作依然是难点。据科技媒体披露的基准数据，该模型在精密插入任务上的成功率约为 89.6%，拧灯泡约 92%，但系垃圾袋只有 44%、用簸箕扫地仅 32%——布料、塑料袋这类会变形的物体，仍是当前机器人学习的硬骨头。

安全与开放

随模型一同发布的还有名为 ASIMOV-Agentic 的安全基准，用于评估机器人智能体能否拒绝不安全的操作指令、能否在不确定时主动请求人工干预。DeepMind 表示，ER 2 是其迄今在安全约束遵循和人机近距离协作基准上表现最好的机器人模型，当有人靠得太近时，它能检测到并让机器人安全停止。

目前，Gemini Robotics ER 2 已经在 Google AI Studio 上线，并在 Gemini 企业智能体平台开启私测；VLA 主模型和端侧模型则面向早期合作伙伴开放。DeepMind 在致谢中点名了 Apptronik、波士顿动力和 Agile Robots 等硬件合作方。

与 Figure AI、特斯拉等选择软硬件垂直整合的公司不同，谷歌走的是开放平台路线：一个模型适配多家厂商的机器人，再配上开发者工具链。这场”机器人操作系统”之争才刚刚开始。

来源：Google DeepMind 官方博客（https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/）

百度智能云蝉联金融大模型市场第一

国际数据公司（IDC）最新发布的《中国金融行业生成式AI平台及应用解决方案市场份额，2025》报告显示，2025年中国金融行业生成式AI市场迎来爆发式增长，整体规模达到17.40亿元人民币，同比增速高达90.4%。

在这片高速增长的赛道中，百度智能云凭借在技术底座与场景落地上的双重优势，以16.6%的市场份额位居中国金融行业生成式AI平台及应用解决方案市场第一，成功蝉联这一位置。这一成绩意味着，在中国金融机构部署大模型技术的过程中，百度智能云已成为最受青睐的合作伙伴之一。

金融行业向来是大模型商业化落地的前沿阵地。相较于通用场景，金融领域的合规要求、数据安全标准和业务复杂性对技术供应商提出了更高的门槛。百度智能云能够持续领跑，反映出其在模型能力、行业适配和客户服务方面的综合实力已获得市场认可。

腾讯云布局具身智能云端底座

7月15日，腾讯云与全球领先的通用具身智能企业RoboScience机器科学签署战略合作协议。双方将基于腾讯云的基础设施服务能力，共同打造面向具身智能产业的一体化底座，打通从数据采集、多地协同标注到模型训练与商业化落地的全链路。

这一合作的核心亮点在于，双方计划共同打造行业首个云端EaaS（Embodied-AI-as-a-Service，具身智能即服务）平台。这意味着，未来具身智能企业可能无需自建庞大的算力和数据基础设施，而是可以通过云端服务快速获取所需的计算资源和工具链，从而降低行业准入门槛，加速具身智能技术的商业化进程。

具身智能被视为AI发展的下一个重要方向，它要求智能体不仅具备认知能力，还能在物理世界中执行复杂任务。腾讯云与RoboScience的合作，标志着中国云计算巨头开始系统性地布局这一新兴领域。

办公软件进入AI时代

7月15日，金山办公在上海举办”2026 AI生产力大会”，同日发布两款AI办公智能体，分别覆盖个人级与组织级两大场景：面向个人的”灵犀专业版”和面向组织的”WPS Comate”。

金山办公CEO章庆元在会上表示，办公软件正在进入第三个时代——从单机办公、协同办公，走向AI办公。灵犀专业版为每一位用户提供专属AI办公助理；WPS Comate则作为全新组件助力WPS 365完成升级。这一定位显示出金山办公希望将AI能力从单一功能升级为贯穿办公全流程的基础设施。

几乎在同一时间，百度宣布文库和网盘将在近期升级GenFlow，定位为专为金融、教育、办公等专业从业者打造的”多端通用Agent平台”，并将于7月底开启内部邀测。首期升级将聚焦金融领域，为金融从业者提供定制化的行业解决方案。

世界人工智能大会前瞻

7月17日，世界人工智能大会（WAIC）展览将在上海世博展览馆正式开展。阿里巴巴集团透露，将在此次大会上展出面向千行百业和前沿科研的多个AI智能体平台，包括阿里云百炼推理平台和”达摩灵枢”（DAMO Lingshu）科研智能体平台。

据官方数据，阿里云百炼推理平台截至目前已服务全球500万用户、120万付费用户。更具亮点的是科研应用案例：此前科研团队在达摩灵枢辅助下，基于材料基础模型Elements，预测出6.8万种可能的超导材料，其中4种全新材料已合成并证实存在超导性。这一成果展示了AI在基础科学研究中的巨大潜力。

产业链协同加速

在其他值得关注的消息中，深圳华强在互动平台表示，公司作为华为计算部件（含昇腾、鲲鹏）的总经销商，将持续推进华为计算部件的技术和产品推广，积极协助华为建设算力生态。泡泡玛特创始人王宁也于7月14日率领核心高管团队探访苹果总部Apple Park，与Tim Cook及即将上任的CEO John Ternus会面，双方围绕创意设计、数字生态与全球消费趋势展开交流。

从金融大模型到具身智能，从办公智能体到科研平台，中国AI产业正在多个垂直领域同时推进商业化落地。随着技术成熟度的提升和应用场景的不断拓展，2026年下半年或将成为观察中国AI产业从”技术竞赛”转向”价值创造”的关键窗口期。