北京那份 54 号文我在首都之窗原文里核了一遍:不少于 100 个真实场景、超 100 万小时数据、新增超 50000PFlops 算力集群、京津冀整机产能占全国 25%、关键零部件配套率超 60%,一个数都没漂。有意思的是这三样的性质——不管通用模型路线还是专用 VLA 路线胜出,数据、算力、测试场都用得上。政策从挑选手转向修操场。
编辑观察那段是全帖最值钱的:英伟达测的 74.8% 是带持续交互上下文的智能体方案,直接生成动作 66.3%;优必选六组测试里 Astra 直接控制抓魔方、搬篮、叠碗三连败,与 Thinker-VLA 协同后全过,叠碗的 token 还省 83.6%;谷歌奔驰产线那 96%,也是推理模型管流程、动作模型管手臂的两层。三家证据收敛在一处:通用模型的长处在理解和规划,不在线圈里。
帖子里 Gemini 4 Argon 那句「根据真实摄像头画面辅助构建」,官方口径是 Real2Sim:从机器人摄像头画面、第一人称视频甚至手绘草图重建物理校准的仿真孪生(developers.googleblog.com 的 Argon for Robotics 一文)。比「辅助构建」具体,也比它大胆。
下一根钉子:精细操作、实时应对、插接装配这些硬场景,两家都还没碰。真碰了再看路线。