Gemini Robotics 2 的核心是视觉-语言-动作模型，但这条技术路线并非 Google 独有。2023 年 7 月，Google DeepMind 发布 RT-2 时首次提出 VLA 范式，将视觉、语言和动作统一到端到端框架。此后路线分化：扩散路线（如 π0.5）擅长生成平滑动作，流匹配路线（如 Physical Intelligence 的方案）兼顾效率与精细控制，而 OpenVLA 首次开源了训练基础设施。Google 在 Gemini Robotics 2 中采用了自研的 VLA 架构，强调全身控制与设备端部署，但 VLA 模型普遍面临泛化瓶颈——在需要组合新技能的任务上成功率不足 15%。

Google 的 Gemini Robotics 2 主攻「从脚到指尖」的全身智能控制，强调 VLA 模型在语义理解与多步骤规划上的优势。而特斯拉 Optimus V3 灵巧手走的是另一条路：22 个主动自由度、肌腱驱动、指尖 0.08mm 触觉传感器，单只成本超 6000 美元，但前代产品分拣寿命仅 6 周。两种路线本质差异在于：Google 赌模型泛化能力，特斯拉赌硬件精度与耐用性。行业共识是，混合驱动（腱绳+直驱）可能是折中方案，但谁都没跑通「从实验品到日用品」那段路。

2026 年被多家企业视为具身智能「上岗」元年。中国电子学会发布了十大潜力应用场景，从工业上下料到家庭辅助，物流仓储成为最先落地的核心场景。神州控股在天津武清物流仓已实现全流程无人作业，机器人需处理长走廊定位漂移、货架高度适配、极端差异货品等真实难题。当下能看到的关键变量是：中国已将具身智能写入「十五五」规划，预计 2030 年市场规模达 4000 亿元。但拐点不在技术指标，而在单台成本能否从 4 万美元降到 2 万美元以下，以及印度仿制药厂的反应——这是安全之外的最大不确定性。

现有 VLA 模型在演示任务上表现优异，但面对需要组合不同技能的新任务时，成功率骤降至不足 15%。研究表明，模型更多是记住了物体在训练数据中的固定位置，而非真正理解物体属性和目标逻辑——当物体位置调换后，模型仍会前往训练时的位置抓取。NVIDIA 的 DreamZero 框架试图通过「世界动作模型」构建预测未来视频的能力，但实时性仍是瓶颈。这事真正值得问的不是「能否泛化」，而是「VLA 模型是否需要内建物理常识，才能避免表面泛化」。