机器人“大脑”正在走出 GPT-2 阶段，但离 ChatGPT 时刻还很远

2024 年 5 月，宇树发布人形机器人 G1，起售价 9.9 万元。机器人身体正在变便宜，关节、传感器和运动控制也越来越成熟。可把机器放进仓库、厨房或家庭，它依然常常不知道下一步该做什么。

身体先到了，大脑还在路上。

机器人模型公司如今喜欢用“GPT-2 阶段”描述自己：模型开始出现泛化能力，训练规模继续扩大，也隐约能看见统一模型控制多种机器人的可能。这个判断有技术依据，但也很适合融资。两者不能混为一谈。

GPT-2 只是阶段比喻

OpenAI 在 2019 年发布 GPT-2。它有 15 亿参数，已经能生成连贯文本，却没有形成后来 ChatGPT 那种稳定产品、用户反馈和商业分发。

机器人行业借用这个说法，指向一个具体变化：过去要为每台机器人、每项任务单独编程，现在开始训练视觉—语言—动作模型，也就是 VLA。模型看画面、听指令，再输出机器人的动作。

几条公开路线已经很清楚：

这些进展说明，机器人模型确实在摆脱“一台机器配一套程序”的老路。模型开始理解陌生物体、组合指令，也能把不同任务放进同一套训练框架。

但行业并没有统一的“GPT-2 分数”。各家公司使用的机器人、场景、任务难度和成功标准都不同。有人按单次成功算，有人按连续运行算；有人允许人工复位，有人不说明接管次数。

所以，“走出 GPT-2 阶段”可以描述方向，不能充当性能认证。

机器人数据比文字贵得多

语言模型能快速扩张，一个重要原因是互联网已经积累了海量文本。机器人没有这样的现成矿藏。

一段文字训练失败，损失的是算力。一条机械臂轨迹采错，可能撞坏设备、打翻物体，还要真人重新布置现场。不同机器人的关节数量、相机位置、夹爪结构也不一样，数据很难直接通用。

这带来三道现实约束：

• **数据昂贵.** 遥操作、真实机器采集和人工标注都要付钱。
• **评测割裂.** 同样叫“叠衣服”，衣物材质、摆放方式和容错标准可以完全不同。
• **错误有物理后果.** 聊天机器人答错一句可以重试，机器人挥错一次手臂就可能伤人或停线。

“纸上得来终觉浅”，放在这里很贴切。模型在视频里学会了杯子是什么，不代表机械手知道该用多大力度抓住杯沿。

硬件也没有退出问题清单。电池续航、减速器寿命、末端执行器、维修成本和安全认证，都会影响部署。把全部瓶颈都归到“机器人缺大脑”，方便讲故事，却低估了机电系统和现场运营的难度。

自动驾驶走过一条相似的路。早期演示很快，真正拉开差距的却是接管率、长尾场景和运营成本。机器人不完全等同于自动驾驶：室内低速设备的风险通常更低，任务边界也更容易限定。但两者重复了同一个规律——从“能完成一次”到“每天稳定完成”，中间隔着漫长的工程账。

企业该买结果，不该买演示

这轮模型进步最直接影响两类人：机器人团队和准备采购机器人的企业。

机器人团队会把更多预算投向数据采集、仿真、遥操作和部署工具。单纯追逐更大的模型，意义有限。没有持续回收失败案例的能力，模型升级一次，现场问题还会原样回来。

企业采购更需要克制。看到机器人完成叠衣、分拣或搬运，不应立刻问“模型有多大”，而该追问下面几项：

如果你正在考虑采购，最现实的动作不是预订一台“通用机器人”，而是先挑一个边界明确、重复频率高、失败代价低的任务做试点。要求供应商提供连续运行记录，并把人工接管和停机时间写进验收条件。

我更在意的也不是下一段更流畅的演示视频。真正的分水岭有三个：模型能否迁移到新场景，人工接管能否持续下降，部署成本能否随着项目增加而下降。

只要每到一个新仓库都要重新采集数据、驻场调试，所谓通用模型仍是一支昂贵的项目团队。机器人“大脑”确实比前几年聪明了，但它的 ChatGPT 时刻，要等普通客户不懂模型也能稳定使用时才算到来。