作者｜金敏
多年以后，当机器人真正学会在物理世界里思考和行动时，研究者们或许还会想起 OpenAI 发布 GPT-6 Astra 的那个时刻。
有人开始否认，继而愤怒，接着试图讨价还价，然后陷入沮丧。最后，大家接受了「完蛋」的事实，或者说，感叹凛冬将至。
这是英伟达机器人方向负责人 Jim Fan 在 CoRL 2026 演讲中，对行业集体焦虑的调侃。
英伟达最新发布的世界动作模型 GR00T 2 为了应对这种集体焦虑，给出了两个方向：
第一个方向，是把模型的重新分工摆到台面上。
通用推理模型与机器人专用模型不必相互替代。前者负责理解任务、规划步骤，后者专注于物理操作，两者通过协作完成更复杂的任务。
第二个方向，是强调模型对异构数据的高效利用。
GR00T 2 将不同形态的本体积累的经验纳入训练，并借助 X-Adapt 探索跨越本体差异的技能迁移，哪怕机器人没有亲自练过某个任务，也能照着人类或其他身体形态的操作过程完成任务。
这意味着，机器人模型的竞争正在向高效协作看齐，专注于组织模型、利用数据，并让技能在不同任务和机器人之间流动。
Astra 负责想，GR00T 2 负责做，
机器人开始重新分工
GR00T 2 带来的第一个变化，是给机器人完成任务所需的能力架构带来了更加明确的分工。
这一变化，首先体现在英伟达对 System 1 和 System 2 的理解上。
在 2025 年发布的 GR00T N1 中，英伟达借鉴人类认知中的双系统理论，把模型划分为两个部分：System 2 负责理解环境、分析指令和规划任务，System 1 则根据这些信息快速生成动作。GR00T N1 试图在统一架构内完成 System 2 和 System 1 负责的两类工作。
受限于模型算力与实时性约束，把复杂推理和高频动作生成放在同一个模型内部实现，存在性能瓶颈。
到了 GR00T 2，英伟达给出了另一种思路：把规划层的 System 2 交给外部推理模型，让 Astra 等大模型进行复杂推理，自己则专注于生成动作。
在新的协作体系中，Astra 承担复杂任务理解、步骤拆解、代码生成和执行监督，GR00T 2 负责将这些意图转化为具体的物理操作，让 SONIC 全身控制器负责高频运动控制。
Jim Fan 在演讲中称这种工作方式为「统一认知」（Unified Cognition），这套分工的价值在于让不同模型集中处理各自擅长的问题。
复杂推理不必全部挤进需要快速响应的动作模型，具身模型可以专注于动作生成。
但分工明确之后，还有一个更实际的问题：负责思考的模型，怎样准确指挥负责动作的模型？
英伟达为此设计了两种协作接口和一套智能体执行框架。
第一种是 WAM API，即世界动作模型调用接口。通过这个接口，GR00T 2 能够接收 Astra 等推理模型在理解场景后标注的视觉指引，执行相应的操作。
第二种是 WAM Edit，即执行过程中的增量动作修正。机器人执行动作时，Astra 等负责 System 2 的模型可以持续观察视觉画面与机器人自身状态，在必要时介入机器人的重复动作。
第三种是 ASPIRE 智能体执行框架，它进一步解决了 GR00T 2 失误后的恢复问题。通过和仿真环境交互，当 GR00T 2 在执行长程任务中途出错时，ASPIRE 能调用恢复技能，纠错后让 GR00T 2 继续干活，不需要从头再来一遍。
这三个机制分别对应任务开始前的引导、执行过程中的修正，以及出现错误后的恢复。它们让通用模型与具身模型的合作，从简单的指令传递，发展为能够持续反馈的执行闭环。
尽管这种协作方式的可靠性还需要被不断验证，但它指向了一种越来越明显的行业信号：让不同层级的模型各司其职，正在成为具身智能架构的一种重要选择。
复杂任务的理解与规划、具体动作的生成，以及机器人的实时运动控制，本就有着不同的能力要求。
与其让一个模型同时承担所有工作，不如把任务交给更擅长处理相应问题的模型。
具身智能未必需要一个无所不能的模型，而是需要一套能够把不同能力组织起来的系统。
通用模型负责理解复杂意图、拆解任务和监督执行，专用具身模型则聚焦于物理交互与动作生成。
两者并不是谁取代谁，而是在各自能力边界内相互补充，让通用智能的推理能力与机器人对真实世界的操作能力结合起来。
机器人智能的进步，未必需要依赖一个无所不能的大模型。让擅长推理的模型负责思考，让擅长物理交互的模型负责执行，再通过控制系统把两者连接起来，同样能够完成复杂任务。
术业有专攻之后，
具身模型需要什么样的训练方式？
模型分工解决了谁来思考、谁来执行的问题，但机器人真正面对的物理世界，还有一道更难的考题：如何让机器人学会灵巧操作？遇到涉及精细操作的任务，机器人不仅要识别物体、规划动作，还要控制手指之间的配合，感知接触、摩擦和力度变化。
要让机器人掌握这些能力，光靠增加数据量已经不够用了，训练数据的类型分配、不同本体之间的经验迁移，以及训练效率同样重要。
GR00T 2 在数据侧的整套设计，能够对应具身智能赛道训练范式的几个趋势。
首先是在训练数据上，模型需要解决异构数据之间的协同与配合。
GR00T 2 的预训练数据包含约 40.3 万小时人类第一视角视频、1.02 万小时手持夹爪操作数据，以及 2.35 万小时机器人遥操作数据。「世界-动作」联合预测机制，能够让不同的数据类型能够组合在一起。
例如，人类视频即使缺少与机器人关节相对应的动作标签，仍然能够为模型学习物体运动和交互过程提供监督。不同来源的数据，由此获得了共同参与训练的基础。
其次是在数据适配程度上，模型正在实现跨本体的技能迁移。
把数据放在一起训练只是第一步，最终的目的还是让模型用尽可能少的目标本体专属数据，教会不同形态的本体学会新任务。
GR00T 2 的 X-Adapt（跨本体适配）实现了三种不同路径的技能迁移，分别让灵巧手复刻人类示范数据、机械臂复刻手持夹爪的示范数据、灵巧手复刻可穿戴外骨骼采集的人类数据。
仿真环境也为机器人提供了另一种积累操作经验的方式。
英伟达工具链中的 Isaac Sim 可以用来搭建包含机器人、物体和传感器的虚拟场景，模拟真实世界中的物理交互。
Isaac Lab 则提供面向机器人学习的训练框架，支持研究人员在仿真环境中进行强化学习和模仿学习。
GR00T 2 展示了具体的训练过程：研究人员可以从人类演示出发，在仿真环境中重建任务，再通过强化学习不断优化机器人的操作策略。经过训练后，GR00T 2 能够利用仿真生成的数据学习这项技能，并将其迁移到搭载 Sharpa 灵巧手的真实机器人上。
这相当于让机器人先在虚拟世界里反复练习，再到真实世界中检验学习成果。对于一些操作风险较高、重复试错成本较大的任务，仿真能够提供更可控的训练和验证环境。
这几条路径的共同目标，是减少机器人学习新任务时对目标本体专属数据的依赖。
当然，跨本体迁移并不意味着完全不需要机器人数据。不同本体之间仍需建立动作对应关系，部分实验也需要目标机器人其他任务的数据作为基础。
最后是数据壁垒正在从采集规模，延伸到训练效率和技能复用。
在零样本泛化的情况下，GR00T 2 执行 50 项机器人没有见过的任务时，模型的平均成功率为 40 %。
一旦加上少量的真机示范，任务平均成功率就能大幅提升。提供 1 次示范，成功率能够提高到 71 %。如果提供 5 次示范，成功率能够飙升到 95%。
换句话说，GR00T 2 正在尝试减少机器人学习新任务时对专属数据的依赖，依靠多源预训练积累的通用能力后，通过少量真机数据完成快速适配。
面对要求更高的任务时，在 GR00T 2 后训练（Post-Training）时运用的遥操作数据也尽可能精简。
这一变化也呼应了行业对数据效率的关注。
Google DeepMind 牵头 21 家机构共建的 Open X-Embodiment、Physical Intelligence 的 π0，以及英伟达的 GR00T 系列，都在探索如何利用跨机器人、跨任务的数据，提高模型的泛化能力。
但数据规模与模型能力并不存在简单的线性关系。不同数据的质量、任务覆盖范围、动作表示，以及训练后的迁移效果，同样影响模型表现。
因此，数据基础设施的价值，越来越取决于能否建立从采集、清洗、对齐到训练和评估的有效流程，让已有数据在更多任务中发挥作用。
未来的数据竞争，既要看企业积累了多少操作经验，也要看这些经验能否降低新任务的学习成本，转化为可迁移、可复用的物理技能。
当机器人技能更容易获得，
行业的夏天真的要来了？
在演讲的结尾，Jim Fan 回到了开场的那个「凛冬将至」故事。
在经历了悲伤的五个阶段后，故事可以迎来第六个阶段：庆祝行业「夏天即将到来」。
首先，夏天的到来伴随着机器人开发方式的改变。
过去，机器人完成一项复杂任务，往往需要围绕特定场景训练完整的操作策略。任务发生变化，开发者可能又要重新采集数据、训练和调试。
现在，无论是 GR00T 2 和 Astra 的协作，还是 Claude Fable 5.2 在 RoboDojo Sim 仿真双臂机器人测试中的表现，都暗示了一种行业趋势：机器人技能有机会像软件模块一样被封装成相对独立的能力单元，根据任务需要调用、组合，并在执行过程中不断修正。
开发者还可以借助仿真环境，让大模型探索、生成和改进程序，将成功经验积累为可复用的技能库。
当大模型的能力变得足够强大，机器人开发者需要做的事情，或许就不再是从头编写每一套操作策略，而是直接用自然语言告诉智能体想完成什么任务，再由它寻找合适的技能、组织执行流程。
这很容易让人联想到软件开发领域的「Vibe Coding」——人用自然语言描述想要的效果，交给大模型写代码，最后由人验收效果。
那么，机器人行业的夏天，是否也会迎来「Vibe Coding」时刻？
想象一下开发者只需要用自然语言描述任务目标，智能体就能拆解执行步骤，调用已有技能、生成控制程序，再通过仿真环境进行验证。
画面非常美好，但是即便是大模型在仿真环境里跑通了任务，不代表在真机上也能跑通。
物理世界中的摩擦、碰撞、物体形变和环境扰动，都可能让原本看似正确的程序失效。
前沿大模型的加入可以加快代码生成和迭代，但最终仍要经过真实机器人的检验。
其次，机器人研发可能从少数团队的全栈工程，走向更多中小型团队也能参与的应用创新。
GR00T 2 的权重与代码即将在 2026 年 12 月开放，加上当下开放的仿真工具、数据标注模型套件和数据集等，英伟达的开源生态将覆盖模型、仿真、智能体、数据、采集硬件等较为完整的机器人开发体系。
一支专注于仓储分拣、工业装配或商业服务的小团队，或许可以在已有模型与工具的基础上，开发适合具体场景的机器人应用。
当然，如果把时间轴拉回当下，行业的夏天还远没有到来。
精细操作误差、异常恢复、端侧算力、硬件维护和单位任务成本，仍然是商业部署绕不开的问题。
模型协作和开源降低了部分技术门槛，也可能让竞争从模型本身转向更加考验团队背景的长期运维能力的比拼。
机器人开发的门槛可能正在降低，但真正决定行业能走多远的，仍然是机器人能否长期、稳定、经济地完成真实任务。
对于机器人行业而言，真正值得庆祝的，或许不是某一个无所不能的大模型终于诞生，而是不同模型开始各司其职，不同本体能够共享经验，不同技能可以被调用和复用。
当这些能力被组织成一个完整的系统，机器人才能真正走出实验室，在物理世界里持续、稳定、经济地完成任务。
