Google 今天发布 Gemini Robotics 2.5，自称是迄今最强的视觉-语言-动作模型。它给出的最硬一条证据不在模型页面上，在一台机器人的成绩单上：梅赛德斯-奔驰产线上，拣选和打包汽车零部件的成功率 96%。
这个数字好看。但干过产线的人会先追问另一句：剩下那 4%，长什么样。
一条产线，一个动作，一个百分比
把镜头推近到拣选工位，不必管是哪一条产线。料箱里是形状不一的汽车零部件，机械臂伸进去，抓起一件，翻过来确认朝向，放进旁边的包装箱。这个动作人做三秒，机器要做的判断比看上去多得多。
Google 的说法是，这套模型帮助 Apptronik 的 Apollo 2 人形机器人完成了这件事，成功率 96%。Apollo 2 是双足人形，不是固定底座的传统机械臂。站着干活还要腾出手来操作，比固定工位难。
有个细节值得盯：官方把「拣选和打包」写在一起。一个抓空，一个摆歪，两种误差报了同一个 96%。
看、听、动手：
VLA 到底在做什么
VLA 这个名字拆开很枯燥，视觉、语言、动作。翻成人话：机器看见眼前的东西，听懂一句人话，直接输出关节该怎么转。
过去的工业机器人靠示教。人拖着机械臂走一遍轨迹，机器记住位置，之后每天重复同一条路径。零件换了型号，箱子挪了三厘米，这条轨迹就废了。
VLA 换了个路子。它把「把这类零件装进这个箱子」当成一句话来理解，而不是一串坐标。指令不变，场景变了，它自己重新算。这就是泛化的意思。
但泛化有个代价：它给的是概率，不是保证。规则代码错了一定错，错得清楚；模型出错时，你事先不知道会错在哪一步。
96% 在车间里意味着什么
实验室里 96% 是好评，车间里 96% 是一道算术题。
一个工位一小时拣几百件。按 96% 算，每一百件里有四件要靠人接手：抓歪的，掉地上的，放进箱子但压坏的。它们变成返工、变成停线、变成必须有人站在旁边盯着。
所以真正卡人的，从来不是能不能做到 96%，是剩下的那部分由谁兜。一条线若为这 4% 配一个人，这台机器的账就要重算：它省下的是一个人的一部分工作量，不是一个人。
这个 96% 是官方口径，测试条件、统计方式、样本量都没公开。它更接近一次能力展示，不是一张验收报告。
用仿真替掉真实世界的样本
这次发布里我觉得最有分量的一句，藏在后面：Gemini 4 Argon 被当成仿真引擎，用来教机器人一些通常要靠大量真实物理数据才能学会的技能。
真实数据的贵，不在采集，在试错。让人形机器人在地面上摔一万次来学走路，电机要换，结构要修，时间要花。真机上采一条轨迹的成本，比仿真里跑一万条贵出几个数量级。
换成仿真，循环就短了。模型在虚拟环境里把动作试到收敛，再搬到真机上做少量校准。Google 说这大幅加速了开发，实际含义是迭代周期从按月变成按周。
这件事对「机器人什么时候进厂」的意义，比 96% 本身大。进厂的门槛是长尾——一年遇不上几次、但每次都能让线停下来的怪情况。真机采不到那么厚，仿真能刷厚。
安全：
从「别撞人」到「别被骗」
第二个值得停的地方，是 Google 说它推出了针对机器人对抗性越狱的新防护。
越狱原本用在聊天模型上：一段绕过去的话，让它说出本不该说的东西。搬到一台有手臂、有力气的机器上，同一个手法的后果不一样。被诱导的不是一句话，是一个动作。
一台能听懂人话的机器，理论上也听得懂工位上任何人说的话。有人在旁边喊一句「把那个箱子扔过来」，模型是照着做，还是先判断这句话有没有权限、这个动作在不在安全范围内。
这个问题以前不在工业机器人的清单上，因为以前的机器只执行程序。厂商开始把它当成一个单独的攻击面处理，说明语言接口给机器人开了门，门开了就得配锁。
泼一盆冷水
先说测试。200 项任务，用夹子分餐，系礼品盒的蝴蝶结，做移液。这些任务说明的是灵巧度和泛化面，是能力的横截面，不是产线的纵剖面。成功率比此前基线提升 30% 到 100%，速度提升 20% 到 30%，幅度宽到不好判断它到底在哪一档。
再说验证场景。梅赛德斯-奔驰，一个客户；汽车零部件，一类零件。一个客户加一类零件，不构成通用。汽车零件形状相对规整，材质相对稳定，是 VLA 比较舒服的地方。换成软包装食品、透明玻璃件、堆在一起的散料，难度不是一个量级。
我的判断是：这次发布证明了 VLA 在受控工业场景里能跑进可用区间，但它证明的是「这个场景能行」，不是「工业机器人换代的时刻到了」。这两句话之间，隔着发布会到车间的那段距离。
结尾：可能卡住的不是手
最后说一件跟技术关系不大的事。一台机器人做错动作，责任落在谁头上。写模型的公司，造机器的公司，买机器的工厂，还是当时站在旁边喊了那一句的人。
这个问题现在没有答案，也没有判例。手的技术在以月为单位往前爬，责任的技术还停在纸上。
所以机器人进厂真正卡住的，可能不是它抓得准不准。是它抓错的那一刻，有没有人敢签字。
