64．9％对95％！巨头两条路线抢装机器人“大脑”

11月9日，两封几乎同时发出的技术公告，正在重新定义机器人“长脑子”的标准。

当天上午，Anthropic官宣新一代旗舰模型Fable 5．2——一个被定义为“通用大模型”的文本与图像多模态模型。它在机器人控制基准测试RoboDojo双臂仿真评测中跑出了64．9％的成功率，比自家上一代版本狂飙37．3个百分点，同时大幅领先Claude Opus 5．5的39．4％和OpenAI GPT－6 Astra的29．8％。演示视频里，这套模型在没有接受过任何专门机器人训练的情况下，让实体机械臂拧开了瓶盖、拼好了魔方。

同一天，英伟达发布了GR00T 2机器人大模型和Isaac Lab 3．0学习框架，宣称其开箱即用的任务执行能力更强——50项任务里有40项无需示范就能直接完成；如果给出一次人类操作示范，成功率71％；五次示范后，成功率直奔95％。

两天前，Apple也悄悄发布了自己的HALO人形机器人自主控制系统。而国内，宇树科技创始人王兴兴在公开演讲中将2027年定为机器人行业“临界点”。

三家巨头撞在同一天扎堆发声，背后的逻辑只有一个：通用大模型的边界，正以前所未有的速度向物理世界渗透。

“通用”的越界——一条省掉中间商的路径

过去两年，行业共识非常清晰：要让机器人真正动起来，光有ChatGPT级别的语言理解不够，还需要专门为具身智能训练的垂直模型来处理空间感知、动作规划和力反馈——说白了就是需要一套全新的“身体操作系统”。

Fable 5．2打破了这个共识。

它的核心突破在于端到端的能力压缩。传统方案通常需要将机器人的传感器数据（摄像头画面、触觉信号）经过专门的视觉编码器处理，再输送给具身专用模型做决策，最后转换成电机指令。这个过程至少涉及三到四层数据转换层，每一层都在损耗信息精度。

Fable 5．2的做法是跳过这些中间层。它直接把摄像头帧作为原始输入喂进去，用同一套参数生成运动指令。这种“一步到位”的方式对模型架构的要求极高——它需要在不经过特殊训练的情况下，同时处理空间位置判断、动作序列规划和物理直觉推理。

Anthropic公布的另一个关键数字同样值得注意：Fable 5．2还在自动化基准测试AutomationBench上获得51．4％的得分，远超Opus 5．5的42．5％。这说明它不仅是“会动手”，更是“会思考怎么用现有工具做事”。

但这种“万能通吃”路线并非没有代价。Anthropic自身的定价方案揭示了算力成本的账本——Fable 5．2标准模式的API定价为每百万token输入8美元、输出40美元。对于每秒需要连续处理数百帧图像并实时输出的机器人系统而言，这几乎是不可承受之重。Fast模式更贵，高达输入16美元、输出80美元／百万token。

这意味着：通用模型的泛化能力确实强，但在实际部署环节，算力和延迟可能是横亘在实验室和商业应用之间的最大鸿沟。

值得注意的是，所有基准测试均由Anthropic自行运行——这在AI行业并非罕见现象，但对于缺乏第三方独立审计的结果，投资者和产业界自然需要保持审慎态度。

英伟达修的“高速公路”——谁来开车不重要

如果说Anthropic是在教机器人自己走路，那么英伟达做的则是修路。

GR00T 2的技术路线走的是另一条完全不同的逻辑。它不是试图用单一通用模型包揽一切，而是构建了一个基于Cosmos平台的世界模型体系。这个体系的核心理念是“学完之后迁移”——机器人从人类第一人称视角的10万小时开源视频中学会了如何理解物体、因果关系和基本物理规律，然后这些能力可以无缝迁移到任何形态的机器人身体上，无需为每个新形态重新训练。

英伟达的数字游戏在这里变得更有趣：一次示范71％成功、五次示范达到95％。这个数字组合揭示了一个清晰的商业模式——英伟达并不需要你完全不用人类示范，但它希望你把示范次数压到最低。每次示范背后都是人力、时间和数据采集成本，把这些成本压缩到极致，才是工业机器人大规模部署的前提。

Isaac Lab 3．0配套的发布则进一步巩固了这个生态位。这是一个开源的机器人学习和开发框架，让开发者可以在仿真环境中快速测试和迭代自己的模型。一旦整个行业的工具和基准都建立在你的平台上，切换成本就会变得非常高。

这不是卖一把铲子的生意，这是在造一把所有人都会用的铁锹。

苹果11月4日发布的HALO系统走的也是类似的“基础设施”逻辑：通过1000个程序化生成的家庭场景合成大量训练数据，绕过真实数据采集的成本瓶颈，让机器人在未经建图的真实环境中也能自主执行基础任务。

谁的利润会先被吃掉？

两条路线表面上是技术之争，底层却是商业博弈。

Anthropic正在IPO前夕冲刺上市——它计划募资800至1，000亿美元，预计估值约1．5万亿美元。在这个关键节点推出能在机器人领域证明自己“不止会聊天”的技术成果，有助于在资本市场讲一个更具说服力的故事。更重要的是，如果能证明通用大模型确实可以用于物理控制，Anthropic的竞争优势将从纯软件延伸到整个硬件生态，这将对其估值逻辑产生深远影响。

英伟达的逻辑则更简单直接：无论哪家模型最终胜出，机器人都需要GPU来做训练和推理。GR00T 2本身是一个开源的基础模型，但它依赖于Cosmos平台和英伟达自有的计算栈。换句话说，英伟达不需要自己做出最好的机器人大脑，只需要确保所有人的大脑都得在自己的服务器里训练。

对于中国机器人企业而言，这两条路线都带来了新的压力。

宇树科技创始人王兴兴认为2027年将是“临界点”，这个判断本身就说明了时间窗口的紧迫性。当前国产机器人厂商在硬件制造和零部件供应方面已经建立了全球领先的成本优势，但在核心的“大脑”层面——尤其是通用人工智能能力的积累——仍存在明显的差距。

双11期间，京东数据显示智能人形机器人销量同比增长700％，机械臂成交额暴涨超10倍。消费端的热闹掩盖不了产业端的焦虑：当美国巨头在实验室里讨论如何让机器人拧开一瓶水时，中国企业面临的现实问题是如何让这些技术真正落地到工厂、仓储和家庭场景中。

接下来的胜负手不在模型本身，而在谁能先把实验室里的数字变成客户愿意付费的产品。

三个你可以盯的观察指标

如果你关注这条赛道，以下几个指标比任何分析师的目标价都更有参考价值：

第一条：API调用成本下降速度。 Fable 5．2目前每分钟百万token输入8美元的定价是否会被市场接受？如果未来12个月内这个成本能降到原来的三分之一甚至更低，说明通用模型在机器人领域的规模化部署将成为现实。反之，如果价格迟迟不降，那“通用模型打败专用模型”的故事可能需要打个问号。

第二条：示范数据的稀缺程度。 GR00T 2的核心卖点之一是从人类操作中学习。但当全球几十家机器人公司都在争夺有限的高质量示范数据时，这些数据的获取成本将决定哪些公司能获得先发优势。关注那些能够建立自有示范数据采集闭环的企业。

第三条：开源生态的采用率。 Isaac Lab 3．0这类工具的开发者活跃度可以直接反映英伟达路线的行业渗透程度。如果一个行业中最活跃的几百名机器人开发者都在同一个框架下工作，那这个框架就成为了事实上的行业标准。