本文是视频《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｜机器人特辑》（作者：硅谷101）的精读笔记，配套原视频观看效果更佳。

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｜机器人特辑

2025年的人形机器人demo一个比一个魔幻：Figure会做全部家务，1X可爱到想搬回家，特斯拉跑得飞快——但成功率成谜、遥操作质疑、量产暂停的另一个版本同样真实。这期视频不做惊叹号，而是回到1961年，把机器人“大脑”六十年的五代进化讲透，再带你走进硅谷一线公司和实验室，回答两个问题：为什么偏偏2025年成了机器人基础模型元年？争抢这个元年的三大闭源流派，各自在赌什么？

图：Figure 03、1X NEO、特斯拉Optimus——2025年轮番刷屏又轮番被质疑的人形机器人

全景：一条主线看懂

全片是一条清晰的因果链：编程式、感知规划、行为克隆、强化学习四代范式各贡献一块拼图，直到大语言模型补上常识推理这块短板，VLA（视觉-语言-动作）模型才让“会动手的大脑”真正成立。当LLM成熟、算力降价、硬件供应链三股力量在2025年同时到位，竞争被推向真正的军备竞赛——真机数据；而围绕“什么才是通向通用机器人的正确路径”，资本市场宠儿们分裂成全栈整合、垂直突破、生态平台三大闭源流派。

图：全片主线——五代技术演进、2025元年三因素与三大闭源流派

一、六十年的笨功夫：五代范式拼出“会动手的大脑”

如果说GPT是“会说话的大脑”，机器人基础模型就是“会动手的大脑”——人类为造出它整整花了六十年。视频用一条“叠毛巾”的暗线，把五代范式的进步与局限串了起来：

图：1961年，世界首台工业机器人Unimate在通用汽车工厂抓取滚烫金属零件

范式	时间/代表	核心思路	致命短板
编程式	1961年，Unimate上通用汽车产线	逐步写死动作：左移30厘米→闭合手爪→右旋90度→松开	零容错零灵活：零件偏1厘米就抓空，换零件要重写代码，遇意外彻底宕机
感知+规划	90年代，SLAM+运动规划，Roomba	传感器建3D地图→规划路径→执行	导航很强、操作不行：毛巾皱成一团识别不出角，柔性物体一抓变形、坐标全失效
行为克隆	2015年，Google Brain用数十万次抓取数据	人类演示→神经网络学“视觉→动作”映射	数据效率低（叠毛巾100万次演示可能都不够），A型号的数据到B型号基本不能用
强化学习	2016年AlphaGo；波士顿动力后空翻	做对给奖励、做错给惩罚，自己摸索	太慢太贵太危险：AlphaGo靠仿真里几千万局自对弈，但操作任务难仿真、真机试错成本天文数字，且不懂“毛巾软、可折叠”这类常识
VLA基础模型	2022年ChatGPT之后	视觉+语言+动作统一进一个神经网络，端到端输出动作	核心挑战：真机数据在互联网上根本不存在

叠毛巾是贯穿全片的标志性考题：2010年伯克利团队用“感知-规划-执行”的老办法，平均24分钟才能叠一条毛巾。而VLA的思路完全不同——“把桌上苹果放进篮子”，传统方法要串四步流水线（识别苹果和篮子→规划抓取轨迹→规划移动轨迹→规划放下），VLA一步到位直接输出动作；“帮我准备早餐”，它知道从冰箱拿鸡蛋要小心不能摔碎、面包要放进烤面包机，这些常识不用编程也不用试错，LLM里本来就有。受访的从业者也确认了这套架构：把视觉语言模型（VLM）当骨干，输出端转化为“把手臂移动到某个坐标点”这样的动作指令。

一个精彩的质疑被留在了片子里：既然传统算法纯视觉、人操作也主要靠视觉，为什么机器人需要语言？嘉宾的回答是——拧瓶盖这种短线任务确实不需要语言，但“喝水得先找到杯子”这类长线逻辑，只有大语言模型能直接提供。引入语言的唯一目的，是让机器人能做长线推理任务。

本节要点：机器人不是突然变聪明的——编程式的精确控制、SLAM的环境感知、行为克隆的示范学习、强化学习的自我优化，最后由大语言模型的常识推理收拢成VLA；语言的价值不在简单任务，而在“先找杯子才能喝水”式的长线推理。

二、为什么偏偏是2025：三因素共振，然后为数据开战

因素一，LLM够用了。 2024–2025年OpenAI、Anthropic、Google的新模型，在指令理解、任务规划、常识推理上已经足够好。嘉宾的判断很冷静：模型是增量式增长、能力趋稳——不是GPT-3.5到4那种跨越，但足以为具身智能打下地基。

因素二，算力价格“腰斩再腰斩”。 2023年租一张英伟达H100是天价还要排队；GPU云服务商打起价格战、英伟达大量铺货之后，初创公司已经租得起几千张卡。嘉宾的观察：等效算力价格隔几年就可能减半。

因素三，硬件供应链成熟。 2024年人形机器人热潮让资本涌入上游零部件厂商（尤其是中国供应商），电机、减速器、传感器从小众产品变成大额融资扩产的香饽饽。硬件便宜了，做机器人的门槛塌下来了。

图：从“租一张H100要排队”到初创公司租得起几千张卡，算力价格隔几年减半

但VLA真正的命门是数据：LLM可以吃互联网文本，机器人需要的是“真机数据”——本体传感器的数据。YouTube上有无数叠衣服视频，却没有一个告诉你手指关节角度是多少。所以这场军备竞赛的核心是算法+数据：谁能用最低成本采集最高质量的数据，谁就主导市场。片中的宏大叙事也正是在这个窗口期出现——“人形机器人之年”“首位人形机器人家政”、5万亿美元的产业、全球10亿台机器人。

本节要点：元年不是玄学——LLM能力趋稳、算力隔几年减半、上游供应链成熟，三件事撞在同一年；但真机数据互联网上没有，数据的低成本高质量采集能力，就是下一个十年的入场券。

三、全栈整合派：特斯拉与Figure的“端到端信仰”

2025年的玩家分三大流派——表面争技术路线、市场份额、融资估值，本质争“什么才是实现通用机器人的正确路径”。第一派的核心信念：基础模型不能与硬件分离，必须垂直整合、深度耦合。最激进的是特斯拉。

马斯克放话：特斯拉八成价值将来自Optimus。自信源自FSD（全自动驾驶）十年积累的三大资产——数百万辆车收集的真实世界数据、端到端神经网络架构、庞大的标注团队。

“我们只是从轮子上的机器人变成长着腿的机器人。” ——特斯拉Optimus前工程主管米兰科维奇，谈FSD十年积累为何能平移到人形机器人

迁移逻辑确实顺：车与机器人都是感知、决策、执行闭环，只是输出从方向盘角度变成关节角度。特斯拉的路线是用人类视频做迁移——人类视频最容易采集、又恰好是人手操作的场景，可扩展性最高。但两个坑摆在那里：其一，要迁移好，机器手必须造得非常接近人手，这正是许多团队死磕高自由度灵巧手的原因，本身极难；其二，再像也不完全一样，“本体差异鸿沟”（embodiment gap）是学界业界公认难解的问题——极端假设下，就算拿到YouTube全部人类操作视频，转换效率依然是道坎。

图：Optimus活动现场分发瓶装水时“拽头上不存在的东西”并摔倒，遥操作质疑爆发

2025年的现实并不美好：年初马斯克在内部会议定下年产5000台、其中1000台进特斯拉工厂的目标；年中实际组装1000多台后，生产计划暂停、硬件重新设计。活动现场分发瓶装水时，Optimus突然做出“拽头上不存在的东西”的动作并摔跤——太像人类操作员摘头戴设备，视频爆火，遥操作质疑随之而来。这就是全栈派的第一个困境：控制全链条，意味着每个环节都是你的瓶颈——硬件不够好，模型再强也白搭；模型不够强，硬件再好也发挥不出。反制优势也很直白：钱多、人多、还有马斯克。成败大概再过两年见分晓。

Figure AI走类似路线但更激进。这家2022年成立、创始人从eVTOL电动飞行器跨界而来的公司，2024年初与OpenAI深度合作，把GPT-4直接接入人形机器人——“可以给我点吃的吗？”机器人主动递上苹果的demo震撼全行业。转折在2025年2月：Figure主动宣布与OpenAI分手、独立自研，分手仅两周就端出Helix——完全自研的通用人形VLA模型。Helix的创新是System 1/System 2双系统：System 2类比大脑皮层，慢速做高层决策“想清楚要干什么”；System 1类比小脑，快速做底层运动控制“手脚怎么配合”——就像人拿杯子时，皮层只决定拿，小脑自动调度20多块肌肉。双系统化解了“VLM聪明但太慢、传统控制快但不通用”的长期矛盾，用单一神经网络控制上半身35个自由度（手腕、躯干、头部和每根手指），还能同时指挥两台机器人协作。资本市场用钱投票：2025年9月C轮10亿美元，估值从26亿美元飙到390亿美元、不到一年涨15倍，投资方名单“像科技界奥斯卡”——微软、OpenAI、英伟达、贝索斯、英特尔、三星。

这一派的理念可以总结成一句话：通用性来自“足够大、足够端到端”——参数够多、数据够多、软硬整合够深，涌现自然出现。只是这套从GPT-4身上总结的经验，在物理世界是否成立，仍是未知数。

本节要点：全栈整合派赌“规模+整合=涌现”，优势是钱多、人多、还有马斯克，代价是每个环节都是瓶颈；特斯拉的量产挫折与Figure一年15倍的估值，是这条路线的AB面。

四、垂直突破派：先打工挣钱，再谈通用

与其训练“什么都会但什么都做不好”的大模型，不如先在一个垂直场景做到极致，积累的学习能力会自然迁移。最清晰的代表是Dyna Robotics：三位华人创始人——林登高与York Yang是连续创业者，此前的AI购物车公司Keeper AI以3.5亿美元卖给Instacart；Jason Ma是前DeepMind研究科学家。成立一年完成两轮融资：2025年3月种子轮2350万美元、9月A轮1.2亿美元（估值超6亿美元），投资方包括英伟达、亚马逊、三星、LG。路线很特别：做通用形态的机器人，但模型层先用成熟能力落地洗衣房、餐厅、健身房这类可“打工”的场景——边干活边学习。

图：主持人在Dyna现场与机器人、联合创始人York比拼叠衣服

主持人现场与机器人和York比拼叠衣服：人类更快，但叠得不一定更好；机器人慢，却能7天24小时不间断。商业账不算复杂：人工一天干8小时，机器能跑15甚至24小时，效率损失补得回来；叠衣任务单一固定，加上美国是高人工成本国家，商家意愿非常强。2025年4月发布的Dyna-1交出了硬数据：24小时自主折叠700多张餐巾，成功率超99.4%，全程无人工干预，吞吐量达人类速度的60%。

“我们不是一个做叠毛巾的公司。” ——戴纳团队在实地走访中对主持人强调，叠衣服只是切入场景，基础模型的数据已覆盖切菜、备餐、清扫、物流分拣等任务

方法论上，戴纳的答案是“元学习”：把钢琴练到音乐学院水平的人，上手吉他快得多——因为他掌握了“如何学习”的元技能。具体做法是用最优质的数据做预训练，模型扩展到新任务时更快、更省数据——“有点反直觉，但确实发生了”，前提是过去已在很多任务上实践和学习过。现状是迁移新任务仍需重新采集大量数据混训，但趋势明确：过去要采几个月数据的任务，现在简单任务一两天数据即可迁移。

戴纳对scaling law的理解是全片最锋利的观点之一：机器人和LLM的缩放定律可能不一样。语言数据哪怕中间插着广告，数据够多就能自动过滤噪声——就像人看网页会自动跳过广告；机器人数据本质是“本体数据+视频”，不确定性太高，混入繁杂数据后模型不知道该注意哪里，效果反而不好——训练数据的物理接触不准确，模型学到错误物理直觉，参数越大错误放得越大。正面经验同样实打实：数据质量足够好时，数量与多样性的增加会显著提升基础模型能力。于是有了“小而精”三要点：①与其训练100亿参数的泛化模型，不如训练10亿参数的专精模型；②保证每条数据都是高质量的真实物理交互；③部署中通过强化学习自我优化。团队当前最重要的目标，就是让机器人拥有自我学习新技能的能力——他们判断，基础大模型最终应能直接搞定“帮我拿水”“帮我开门”这类日常任务。

同派还有两家特殊玩家。Skilled AI从通用模型切入、不做硬件，用大规模仿真数据训练通用“大脑”，同一模型可控制机械臂抓取、四足机器人行走、人形机器人复杂操作；传闻英伟达和软银将牵头投资10亿美元、估值高达140亿美元。亚马逊则在2025年7月宣布部署第100万台机器人（现有员工156万，机器人数量即将超过人类），但这100万台全是专用机型——Hercules搬1250磅货物、Pegasus分拣包裹；其AGENTiX团队正开发通用机器人基础模型，还在旧金山办公室建了室内测试场“Humanoid Park”训练人形机器人过复杂障碍——先在垂直场景攒最好的数据再泛化，与戴纳如出一辙。

本节要点：垂直突破派赌“深度专精长出的迁移能力”——先打工挣钱攒数据，用高质量数据预训练把新任务迁移成本从几个月压到一两天；他们最核心的判断是：机器人的scaling law不等于LLM的scaling law，数据质量和物理一致性比参数规模更致命。

五、生态平台派：不争路线，争标准

第三派的核心信念：基础模型赛道最终赢家不是技术最强的，而是生态控制力最强的。英伟达想做“机器人界的Android”——2025年3月GTC大会上，黄仁勋隆重介绍并开源了人形机器人基础模型GR00T N1；但要用它，就得进全套英伟达生态，切换成本令人望而却步——护城河不是模型本身，而是整个生态。谷歌走的是另一条研究驱动、开源优先的路：RT系列强调大规模机器人演示数据、跨任务跨平台的通用模型，以论文+开放数据集建立学术影响力；Gemini 3发布后明显提速，挖来前波士顿动力CTO Aaron Saunders，推动Gemini成为通用机器人控制平台。至于英伟达与谷歌谁更“真开源”，视频留到了下期。

OpenAI和Meta是第三派的另一种玩法：小步快跑、只为占坑。OpenAI与机器人像“分分合合的情侣”：2018年机械手操作任务突破→团队收缩→2024至2025年初与Figure从热恋到断裂式分手→2025下半年重启人形机器人控制算法研究员招聘；同时撒钱织生态——2024年11月与贝索斯共同参投Physical Intelligence的4亿美元融资。Meta更低调：2025年初在Reality Labs旗下组建机器人部门，由前Cruise CEO Mark Whelton牵头，CTO Bosworth公开表示正在构建世界模型，以支撑比行走跑跳更细致的操控动作。

图：2025年3月GTC大会，黄仁勋发布并开源人形机器人基础模型GR00T N1

三派本质上是关于“通用性从哪来”的三个假设：

流派	代表玩家	通用性赌注	2025关键动作
全栈整合派	特斯拉Optimus、Figure AI	大模型+大数据+深软硬整合→能力涌现（源自GPT-4经验）	特斯拉定5000台目标后暂停重设计；Figure C轮10亿美元、估值390亿美元
垂直突破派	Dyna、Skilled AI、亚马逊	深度专精带来的迁移能力，小而精胜过大而全	Dyna-1成功率99.4%；亚马逊第100万台机器人、建Humanoid Park
生态平台派	英伟达、谷歌、OpenAI、Meta	生态标准化，让所有人用你的工具链	英伟达开源GR00T N1；OpenAI投资PI并重启招聘；Meta组建机器人部门

本节要点：生态平台派赌“通用性=生态标准化程度”——技术路线谁赢未必重要，让所有人都依赖你的工具链才重要；英伟达、谷歌、OpenAI、Meta 各自下注，Physical Intelligence与Genesis AI这类半开半闭玩家则留给下期。

六、冷思考：展示得很精彩，落地还未可知

回看开场那批刷屏demo的B面：Figure 03任务成功率成谜、业界多质疑，脸部还有点恐怖谷；1X的NEO靠远程遥操作撑场面，被批“假智能”，还牵出隐私问题；特斯拉的跑步demo再顺滑，也盖不住量产暂停和现场摔跤。三派谁对谁错，2025年没有答案——竞赛才刚开始。

“展示得很精彩，落地还未可知。” ——视频对2025年人形机器人行业现状的一句话总结

落地数据同样冷静：Figure融资10亿美元、估值390亿美元，真正的商业化部署只有几十台；英伟达的GR00T N1已发布，但多少公司真正用起来，不好说。巨头押注、创业公司快跑、OpenAI和Meta低调入局，家家都在重金重资产推进。

但家用可能没那么远。嘉宾判断最先落地的是商用服务场景——机器人与人工协作干活；进家庭不需要完整的通用AGI，可能几个任务就够，先干起活来，再靠模型迭代长出更多能力。叠衣服是呼声最高的家用功能；等硬件成本降到家庭可承担，或许会先以“叠衣服”单点功能卖给家庭再扩展——嘉宾给的家用时间线：大概1~2年。特斯拉也在12月19日发布了Optimus年度报告视频，以“加速跑进2026年”的画面收尾，暗示明年更大的跨越。

图：几百美元、能叠衣服、备早餐、做清洁的机器人助手——你会买吗？

于是问题回到每个观众身上：几百美元、能帮你叠衣服、准备早餐、做清洁的机器人助手，你会买吗？下期视频转向开源阵营：英伟达的开放到底有多开放、为什么有人说GR00T N1是“伪开源”，刚拿完融资的Physical Intelligence又为何把最核心的模型免费放出——开源与闭源，究竟谁会赢？

本节要点：2025年的答案是“没有答案”——几十台部署撑不起390亿估值，顺滑的demo盖不住遥操作质疑；但家用不必等完整AGI，先以叠衣服这类单点功能进门、时间线约1~2年，下半场交给数据与迭代。

总结要点

1. 机器人“大脑”是60年五代技术的集大成：编程式的精确控制、环境感知、行为克隆的示范学习、强化学习的自我优化，最后由大语言模型的常识推理收拢成VLA端到端模型。
2. 2025成为元年的三因素：LLM能力趋稳够用、算力价格“腰斩再腰斩”、硬件供应链（尤其中国上游）成熟；真正的瓶颈只剩真机数据——互联网上没有任何一根手指的关节角度。
3. 三大闭源流派赌三个通用性假设：全栈整合派信“规模+整合=涌现”，垂直突破派信“专精长出元学习”，生态平台派信“标准与工具链即王座”。
4. 机器人的scaling law与LLM不同：低质量物理数据会让错误直觉随参数放大，数据质量与物理一致性比“大”更关键。
5. 2025现状是“展示精彩、落地未可知”，但商用先行、家用不遥远——先以叠衣服等单点功能进门，时间线大约1~2年。

迁移与启发

1. 职场：先做“10亿参数的专精模型”。 戴纳的逻辑同样适用于人——把一项核心技能练到团队前列再横向迁移，比“什么都会一点”值钱得多；专精过程中练出的“如何学习”的元技能，才是你跳槽、转行时真正能带走的东西。
2. 投资：别为demo付溢价。 估值390亿美元的Figure只部署了几十台，定下5000台目标的特斯拉装出千余台就停产重设计。判断机器人、AI类标的时盯三个硬指标——真实场景无人工干预的成功率、机器工时对人工成本的经济账、新任务迁移成本是否在下降；三样拿不出来，热闹就只是热闹。
3. 生活决策：新技术等“单点可用”再上车。 家用机器人大概率会先以“叠衣服”这类单点功能、在价格击穿心理线时进入家庭，路径与当年的扫地机器人一模一样；大件新品的理性买点是“这一个功能就值回售价”，而不是等它全能。

一句话升华

demo骗得过镜头，骗不过物理世界——真正的大脑，都是在千万次真实的失败里，一帧一帧长出来的。