Google DeepMind 正在低调搭建业内最雄心勃勃的机器人软件栈，而 Agile Robots 成为了其最新一家硬件合作伙伴。这家总部位于慕尼黑的人形机器人制造商将把 DeepMind 的机器人基础模型集成到自身平台中，同时把运营数据回传给 DeepMind 实验室。这一合作延续了 DeepMind 的战略硬件联盟模式，并正迅速重塑物理自动化领域的智能层究竟由谁掌控。
目录
- Agile Robots 与 Google DeepMind 的合作是什么？
- DeepMind 与哪些机器人公司展开了合作？
- DeepMind 为什么要打造硬件联盟网络？
- 这对机器人基础模型竞赛意味着什么？
- 这对机器人采购方意味着什么
- 常见问题
Agile Robots 与 Google DeepMind 的合作是什么？
Agile Robots 将把 Google DeepMind 的机器人基础模型直接嵌入其人形机器人和双足机器人平台，同时持续收集真实世界中的操作与运动数据，并将这些数据反馈至 DeepMind 的研究流程。这是一种双向交换：Agile Robots 无需从零打造模型，就能获得最前沿的 AI 能力；DeepMind 则能够从商业化部署的硬件机群中获取稀缺的具身数据。
据 TechCrunch 报道，这项合作沿用了 DeepMind 与多家机器人伙伴建立合作时的模式。这表明它并非一次性的合作，而更像是一项经过刻意设计的平台战略。
Agile Robots 成立于 2017 年，最初是慕尼黑工业大学的一家衍生企业，旗下产品包括 LARA 系列协作机械臂和 Agility 系列双足系统。该公司将欧洲的精密工程能力与中国的制造规模结合起来，使 DeepMind 得以接触到美国中心化或纯亚洲硬件伙伴都难以复制的实际部署环境。
DeepMind 与哪些机器人公司展开了合作？
DeepMind 的硬件联盟网络如今已覆盖多种机器人类别，形成了单个公司无法独立建立的跨平台数据飞轮。截至目前已确认或被报道的合作，显示出 DeepMind 正在有意覆盖几乎所有主要机器人形态。
| 合作伙伴 | 机器人类型 | 主要应用场景 | 贡献数据 |
|---|---|---|---|
| Agile Robots | 人形机器人 / 双足机器人 | 制造、物流 | 操作、运动 |
| Apptronik | 人形机器人 | 工业、AMR | 全身控制 |
| Enchanted Tools | 社交型 / 服务型机器人 | 酒店服务、医疗 | 人机交互 |
| Kepler | 人形机器人 | 工厂自动化 | 灵巧操作 |
| Neura Robotics | 认知型人形机器人 | 工业、服务 | 多模态感知 |
这一布局的意图十分明显：DeepMind 并没有押注某一家硬件厂商成为最终赢家，而是要成为整个人形机器人领域，以及相邻的协作机器人和服务机器人领域的 AI 底座。每一家合作伙伴都贡献专有的真实世界数据；DeepMind 的基础模型因此得到改进；模型能力提升后，又会让每家合作伙伴的硬件变得更强。网络每增加一个节点，这个飞轮就会进一步加速。
DeepMind 为什么要打造硬件联盟网络？
机器人 AI 面临的核心问题是数据稀缺。仿真环境已经取得巨大进步，但合成数据与真实世界表现之间的差距——通常称为“仿真到现实差距”——仍是训练通用操作策略的关键瓶颈。DeepMind 的合作模式本质上是一种数据获取战略，绕开了自建机器人机队所需的成本与复杂运营。
训练具有竞争力的机器人基础模型，需要数百万小时、涵盖多种场景的具身交互数据。如果依靠自有硬件收集这些数据，DeepMind 就必须同时成为机器人制造商和运营商，这会分散其核心研究任务的注意力。合作模式则巧妙地解决了这一问题：硬件公司承担部署所需的资本和运营成本，DeepMind 获取由此产生的数据资产。
这与其他 AI 领域采用的策略如出一辙。Google 训练大型语言模型时，就从 Search 和 Gmail 带来的数据飞轮中获益良多。机器人合作网络在结构上与之类似：由分散的节点收集数据，再由一个中心化模型吸收这些数据并提升所有节点的能力。不同之处在于，机器人涉及真实的物理风险：训练不佳的语言模型可能生成糟糕的文本，而训练不佳的机器人策略则可能造成现实伤害。因此，与纯软件领域相比，机器人数据的质量和安全标注重要得多。
DeepMind 今年早些时候公布的 Gemini Robotics 模型系列，代表了这项基础模型工作的当前进展。该系列专注于灵巧操作任务——例如折叠、装配和物体交接——这些任务过去一直是机器人能力跨平台泛化中最难解决的部分。
这对机器人基础模型竞赛意味着什么？
DeepMind 的联盟网络正给所有试图打造通用机器人 AI 栈的组织带来直接压力，竞争格局正在迅速变化。
Physical Intelligence（Pi） 采取了相反的路径：自行搭建数据采集基础设施，并将 π0 基础模型保持为专有技术，仅向少数合作伙伴授权。Figure AI 正与 OpenAI 密切合作开发自身 AI 栈，但双方关系已经出现摩擦迹象。1X Technologies 几乎完全依靠自有机队的数据进行训练。Nvidia 则通过 Isaac 和 GR00T 基础模型推进平台化战略，重点布局从仿真到部署的流程，而不是单纯争夺模型层。
DeepMind 的多伙伴战略带来了一项很难在短期内复制的结构性优势：训练数据拥有更丰富的具身形态、环境和任务类型。一个同时使用 Agile Robots 欧洲工厂部署数据、Apptronik 美国工业场地数据，以及 Enchanted Tools 酒店服务场景数据训练的模型，将接触到远比单一平台模型更广泛的真实世界条件。在机器学习术语中，这意味着更强的泛化能力——也就是处理训练阶段未曾见过的新情况的能力。
对硬件合作伙伴而言，风险在于依赖。将 DeepMind 的基础模型作为核心能力层进行集成，意味着企业有一部分竞争差异化建立在自己无法控制的技术之上。如果 DeepMind 调整授权条款、改变研究重点，或者由于其隶属于 Alphabet 而受到监管约束，合作伙伴就会面临相当大的战略风险。这正是软件行业反复上演的平台依赖风险，如今正在进入物理自动化领域。
这对机器人采购方意味着什么
对于近期正在评估人形机器人或先进协作机器人部署方案的企业来说，DeepMind 的联盟网络将直接影响采购决策。
集成到大型基础模型生态中的硬件平台，获得能力更新的速度将快于独立发展的平台。以 Agile Robots 的系统为例，随着 Gemini Robotics 模型利用整个合作机队的数据不断改进，其操作性能预计也会随之提升，而采购方无需自行管理 AI 开发。在物流和轻型制造等动态环境中，这是一项切实的运营优势。
不过，这类合作中的数据共享也给企业采购方带来了合理疑问：哪些运营数据会离开企业设施？数据将如何匿名化？合同中又有哪些保护条款？如今，在评估任何支持 AI 的机器人平台时，弄清这些问题已经成为标准尽职调查的一部分。
人形机器人采购方在制定供应商候选名单时，应密切关注这一联盟网络。没有加入大型 AI 合作体系的平台，需要证明自己拥有一条可信的替代路径，能够实现相当的模型质量——无论是自行开发基础模型，还是与 Nvidia、Microsoft 或新兴专业实验室等其他厂商建立合作。
你可以浏览 Robot Overflow 上目前可用的人形机器人，比较这一联盟版图中的不同平台；也可以查看二手工业机器人，满足近期的自动化需求。在后者的采购决策中，基础模型并不是最核心的考量。
常见问题
Google DeepMind 的机器人基础模型是什么？ DeepMind 的机器人 AI 工作主要围绕 Gemini Robotics 模型系列展开，目标是在不同机器人硬件之间实现通用的灵巧操作。与针对单一任务的模型不同，基础模型在广泛数据集上训练，再针对具体应用进行微调，从而降低硬件合作伙伴和终端用户为每项任务进行工程开发的成本。
Agile Robots 制造什么产品？ Agile Robots 是一家总部位于慕尼黑的公司，生产 LARA 系列协作机器人机械臂和双足人形机器人平台。该公司最初是慕尼黑工业大学的衍生企业，业务覆盖欧洲和亚洲市场，并通过与中国企业合作扩大制造规模。
机器人公司为什么要与 AI 实验室共享数据？ 能够获得最先进的基础模型，是机器人公司共享数据的首要动力。若自行开发，这类模型的成本可能高达数亿美元。对大多数硬件公司而言，训练具有竞争力的通用 AI 并非其核心能力；集成专业实验室提供的顶尖模型，可以让它们专注于机器人设计、制造质量和应用层软件等领域的竞争。
加入 DeepMind 网络，是否意味着 Agile Robots 的数据会与竞争对手共享？ 目前，各项合作的具体数据治理条款尚未公开。此类安排的常见做法是，仅将原始运营数据用于模型训练；在网络中共享的是训练后的模型权重，而不是底层数据。不过，采购方在部署前仍应通过合同核实数据处理条款。
DeepMind 的路径与 Nvidia 的 GR00T 有何不同？ DeepMind 的战略核心，是通过硬件合作伙伴建立数据飞轮，为专有基础模型持续提供数据。Nvidia 的 GR00T 则侧重仿真到现实的流程，提供训练与部署平台，而不是一个已经训练完成的模型。两者更像是互补的技术层，而非直接竞争的产品；不过从长远来看，双方争夺的都是商业机器人不可或缺的基础设施地位。
DeepMind 的机器人联盟网络正在成为物理自动化行业最具影响力的结构性发展之一。其重要性并不来自某一项合作公告，而在于它正在构建的飞轮所具备的复利效应。
你认为 DeepMind 网络中的哪一家硬件平台最终会成为 Physical AI 部署层的主导者？为什么？