谷歌人形机器人进奔驰工厂：Apollo 2分拣成功率达96%

在梅赛德斯-奔驰位于匈牙利凯奇凯梅特和德国辛德芬根的产线上，一台Apollo 2人形机器人从料箱中拣出金属支架，按装配顺序码入托盘，全程没有遥控，也没有写死的固定程序。指挥它的是谷歌DeepMind最新的机器人AI模型Gemini Robotics 2.5。

谷歌公布的概念验证结果显示，Apollo 2分拣汽车零部件的成功率达到96%。谷歌表示，该模型正在向机器人合作伙伴推广，但这一成绩仍属概念验证，尚不等于大规模商业部署。

工厂里的排序配送

Apollo 2要完成的工序是排序配送：从供料箱中抓取散装的金属支架，整齐放入排序容器或托盘，并按整车装配顺序备料。整个过程没有遥控操作，也没有预先写死的固定程序。

这道工序在汽车产线上属于重复、琐碎且不容出错的环节。下游装配线依赖上游备料的准确性，一旦顺序或位置出错，后续环节并不会代为纠正。谷歌选择这一场景，而非发布会上的动作表演，用意在于检验机器人在真实制造流程中的自主操作能力。

双模型分工架构

演示背后的架构由两个模型分工完成。Gemini Robotics ER负责跟踪整个工作流程，相当于项目经理，掌握任务进行到哪一步；Gemini Robotics 2.5直接控制手臂和双手，相当于操作工，负责具体抓取与放置。Apollo 2在必要时会自行调整动作。

谷歌方面称，这种分工意味着机器人AI正从单点动作生成走向任务级编排：模型不仅要知道手怎么动，还要知道活干到哪一步。Gemini Robotics 2.5属于视觉-语言-动作模型，即VLA，把摄像头画面和语言指令直接翻译成机器人动作。

谷歌在200多项任务中对该模型进行了评估，包括用夹子分餐、在礼品盒上系蝴蝶结、用移液器转移液体。其中系蝴蝶结被视作高难度任务：丝带柔软易变形，每次拉扯都会改变形态，机器人必须边做边看、随时调整，考验的是处理易碎物品、柔软材料和日常工具的能力。

成功率与速度提升

谷歌公布的数据显示，与此前的基线模型相比，Gemini Robotics 2.5在不同任务上的成功率提高30%到100%，完成速度快20%到30%。

96%在实验中是亮眼成绩，但放到每天运转上万次的产线上，剩余4%的失败同样需要被认真对待。

在硬件适配方面，该模型可跨平台使用，既支持Apptronik的Apollo 2人形机器人，也支持使用两指平行夹爪的Franka Duo双臂系统。跨平台能力关系到成本：若每换一种机器人就要从头训练模型，企业不仅投入高昂，还会被单一硬件形态绑定。模型可跨平台，工厂才能按工位需要选择人形机器人或机械臂。

跨平台与安全防护

谷歌还着重提升了物理风险应对能力。借助推理阶段引导机制，机器人能更好地避开障碍物、在人员周围安全作业。内部评估中，障碍物附近的安全完成率提高33%，人员附近提高43%。

在安全测试方面，谷歌开源了ASIMOV-Jailbreak基准测试，专门检验机器人系统能否识破伪装的危险指令。测试集包含数百条提示，覆盖数十种场景。谷歌指出，聊天机器人被越狱，后果可能是输出有害内容；而能动手的机器人被越狱，后果可能是真实的物理伤害。

谷歌报告称，Gemini 4 Argon对这类越狱尝试的抵御率达到99.5%，此前基线Gemini Robotics ER 2为82%。此外，这套系统还根据真实摄像头画面生成数千次模拟练习，为物理环境创建数字孪生，并结合真实示范数据把技能推广到陌生物体和场景，同时分析失败尝试，为后续训练提供改进建议。

从演示到产线的距离

汽车工厂是工业机器人最早的应用领域，但传统机械臂大多固定在特定工位，执行预先编程的动作，稳定、精准、成本较低，却缺乏灵活性。人形机器人的价值不在于外形像人，而在于有望直接适应为人类设计的工位和工具，工厂不必为机器人推倒整条产线重来。

人形机器人进工厂是近两年行业热点，特斯拉、Figure、优必选等企业纷纷入局。硬件构成机器人的肌肉，真正决定其能干多少活的是大脑。谷歌此次进展显示，大模型在通用操作能力上进步较快，科技巨头与传统制造业的合作也在从展示走向实操。

但从概念验证到规模化部署，中间还隔着成本、可靠性、维护和安全认证等环节。下一阶段的竞争，不在于谁更像人，而在于谁更少出错。

要点

Apollo 2在奔驰两处基地分拣零部件成功率达96%
Gemini Robotics ER负责跟踪流程，2.5负责控制手臂和双手
Gemini Robotics 2.5属视觉-语言-动作模型
相比基线模型成功率提高30%到100%，速度快20%到30%
障碍物附近安全完成率提高33%，人员附近提高43%