銀河通用機器人“表演”變“上崗”，端到端大模型銀河星腦有多強

henry 發自 凹非寺
量子位 | 公眾號 QbitAI

2026年的春晚，注定是屬于機器人的。

不知道有多少人像我一樣，在看到馬麗的“鐵哥們”時，沒繃住，直接笑出了聲。

這個叫“小蓋”的家伙，是真的物理意義上的“鐵哥們”。

節目里，騰哥上春晚得靠它，它甚至還給自己排了一出表演干活的“劇本”：

盤盤核桃、疊疊衣服、嗆嗆騰哥，直接把春晚的笑點拉滿了。

但笑過之后，很難忽視的一點是——小蓋這次在春晚做的事情不太一樣。

它不是在秀動作，而是在執行任務：

貨架取物、清理碎片、整理環境，甚至串烤腸、疊衣服。

據悉，這是春晚舞臺上第一個上臺認真執行任務、在自己工位上“干活”的機器人。

而把“小蓋”帶上春晚舞臺干活的，正是被官方定位為具身大模型機器人的銀河通用機器人，以及它背后那套首次公開的“大腦-小腦-神經控制”一體化系統銀河星腦AstraBrain。

也正是這套系統，讓舞臺上那些看似隨意的取物、清理、整理，不再依賴動作腳本，而是來自完整的感知-決策-執行閉環。

而在節目外，小蓋也已經將這套能力延伸到了全國各地的100家銀河太空艙，真正讓機器人走進生活。

春晚大舞臺，“干活”銀河來

咱不演“馬麗單飛，沈騰怎么辦”的戲中戲，直接看這次真正的主角——

馬麗的“鐵哥們”，小蓋（Galbot）。

“盤核桃”：手內靈巧操作+雙手分工協同

先看一個看似整活、實則硬核的動作：盤核桃。

關注機器人領域的都知道，這事并不簡單。

一方面，核桃表面不規則、質量分布不均，在翻轉過程中受力點持續變化。手指只要有一點點力矩誤差，核桃就會“cei”在地上。

另一方面，對機器人來說，這幾乎等同于人戴著一副鐵手套在盤：觸覺遲鈍、反饋滯后，很難實時感知核桃的微小運動狀態。

而小蓋之所以在春晚舞臺上能完成這一動作，關鍵在兩點：一雙足夠靈活的機械手；更重要的是，還要有一個能做手指關節級微調控制的“大腦”。

在業內，這類能力有個專業名字：手內操作（In-hand Manipulation）。

它是機器人靈巧操作里的“皇冠上的明珠”，直接決定機器人能不能承擔工業級精細任務，例如擰螺絲、釘釘子這類操作。

對此，銀河通用的思路，可以用一句話概括：虛擬世界練招式，真實世界找手感。

• 第一步，仿真打底。AstraBrain里的“小腦模型”，讓機器手在虛擬環境中反復練不同尺寸、不同重量的核桃，靠大規模試錯學出一套可泛化的“盤核桃策略”。
• 第二步，現實校準。真正上手核桃以后，再利用真實摩擦、結構誤差這些反饋，在線微調動作，把仿真和現實之間的那點縫補起來。

值得一提的是，小蓋后面給沈騰遞水時還有個小彩蛋：機器人在遞水的同時，還在盤。

這意味著什么？

意味著它已經能做到：單手手內操作+雙手任務分工協同，而這套能力，已經非常接近真實工位里的操作閉環了。

收玻璃碎片、貨架取物：從“秀技”到“上崗”

接下來呢，就是“智慧腦袋顯身手”的時刻了。

舞臺上一個容易被忽略的細節：在明暗變化的燈光下，機器人要把透明、形狀不規則的酒杯碎片收進盒子里。

這里的難點有兩個：

一方面，透明物體本身就難被機器視覺捕捉；另一方面，不規則碎片在不同光照下，反光和陰影邊緣都在變。

對此，小蓋的做法，是先在仿真中“見遍天下碎玻璃”：

通過生成不同厚度、不同破裂形態、不同光照條件下的海量透明碎片數據，讓機器人在虛擬世界中把各種可能情況都見過一遍。

再結合多模態感知，從極其微弱的反光和陰影里，判斷碎片具體位置，規劃抓取。

同時在接觸過程中，用“觸感”判斷硬度和滑動情況，動態調力度，確保玻璃片既不被捏碎，也不滑落。

這一步，其實已經從展示技巧，跨過了可部署能力的門檻。

再看貨架取物。

這看起來是最普通的動作，但恰恰是最接近真實商業零售場景，也是銀河通用的“傳統藝能”。

這里的核心難點不在抓，而在決策：擁擠環境定位目標、避免擾動鄰近物體，在結構約束下重新規劃動作。

舞臺上有個細節非常漂亮，你看，機器人并非是抓住瓶身，而是牢牢地從瓶蓋位置“扣”住，放在桌上。

用行業黑話說，就是這affordance找的，真有水平。

而且，這不是預錄軌跡，而是實時決策。每一次扣、每一次傾斜，都在“眼前這一次”重新計算。

這也意味著，這類能力已經從展示層面邁向了真正的操作閉環。

穿烤腸、疊衣服：動作更像人，而不是更像程序

再往后，是穿烤腸、疊衣服這類生活化任務的綜合考試。

在穿烤腸的過程中，機器人需要一手操控烤鉗，一手穿簽并遞送，這對其雙手在空間上的協同能力、力度上的獨立控制，以及動作節奏的匹配都提出了要求。

這里有一個關鍵能力點——靈巧操作中的Tool use（工具使用）。

這項能力直接決定了機器人能否真正進入流水線崗位，因為現實世界的大多數任務，本質上都是“借助工具完成”。

在疊衣服時，需要機器人既要撫平衣角，又要對折對齊，對布料這種“軟家伙”，非常考驗機器人操作的穩定性和細膩度。

這些動作之所以看起來越來越“像人手”，本質原因在于訓練方式發生變化：

小蓋并不完全依賴機器人自身采集數據，而是大量利用人類動作數據進行學習與擴展。

一方面，人類日常行為的數據本身就很豐富；另一方面，通過仿真擴展和學習，機器人可以在處理柔性物體這類場景中，積累出更自然、更穩定的操作經驗。

所以，當它在臺上撫平衣角、對折衣服的時候，本質不是在“放一段預設程序”，而是在實時決策下完成任務，只不過這套決策已經被打磨得很接近人類的“手感”。

而這一連串的技能展示，都離不開小蓋背后的大腦——AstraBrain。

AstraBrain：把“聰明腦袋”長在機器人身上

把復雜的論文語言抹掉，AstraBrain其實可以看成是一個四階段的“具身學習框架”：

• 人類樣本示范-仿真數據合成-強化學習試錯-真機調微操。

首先，是少量人類示范提供技能種子。

傳統工業機器人，往往需要上千次遙操作數據去堆一個動作。

AstraBrain不這么干，它把人類示范當作“技能種子”：給機器人少量的動作示范軌跡，建立一個可泛化的行為先驗。

接著，是在仿真環境中，通過海量仿真數據模仿學習，覆蓋大量現實中難以窮舉的情況。

現實世界的數據，貴、慢又難采。

因此模型訓練發生在高精度物理仿真環境中，仿真環境自動生成多樣場景配置、隨機擾動光照與物體布局，生成式模型產出抓取動作。

第三步是通過仿真環境的強化學習形成最優策略。

因為僅靠模仿仍難應對精細操作與動態避障，由此，AstraBrain引入強化學習閉環：

機器人在仿真環境中進行高頻試錯，成功避障獲得獎勵，碰撞或失敗受到懲罰。

通過大規模迭代，策略逐漸收斂到高穩定路徑，形成更高效的操作方式。

春晚展示出的流暢控制，很大程度來自這一階段的優化。

第四步，通過真機數據完成遷移校準。

仿真訓練完成后，能力需要落地現實。AstraBrain通過少量真實操作數據進行微調：收集真實接觸與反饋、修正仿真與現實偏差、完成策略校準。

這一步的目的是讓機器人不僅知道“理論上該怎么做”，還知道“以我這副身子骨，動作會被現實世界修正成什么樣”，從而把盤核桃、轉筆這種高接觸靈巧操作，變成穩定可復現的能力。

支撐上述流程的，是銀河通用的數據體系——AstraSynth。

其結構可以理解為三層：

• 基石層（人類數據）：建立任務理解與行為認知。
• 中間層（仿真合成數據）：低成本擴展能力邊界，跨越虛實差距。
• 塔尖層（真機數據）：用少量高質量數據完成現實校準。

這形成了一條清晰的訓練路徑：

用仿真解決數據規模問題，用強化學習優化動作質量，再用真實環境完成最終閉環。

因此，這套方法并非只針對單一任務。同一能力框架既能用于抓取商品，也能用于盤核桃、疊衣服或工具操作。

從這個角度看，機器人并不是學會某個動作，而是在逐步獲得快速學習新技能的能力。

銀河通用：央視春晚指定具身大模型機器人

銀河通用這次被央視指定為具身大模型機器人登上馬年春晚，并非偶然。

作為中國具身智能模型路線的代表性企業之一，它也是當前少數將模型能力真正落地到真實產業場景的公司。

銀河通用成立于2023年5月，兩年多融資超8億美元，最新一輪融資超3億美元，刷新具身智能行業單輪融資紀錄，估值突破210億元，穩居國內具身智能頭部陣營。

在春晚亮相的背后，是銀河通用已形成硬件-模型-生態的完整閉環：

在硬件層面，Galbot（G1）輪式雙臂本體高效折疊，支持2.4米高摸底觸地，兼顧靈活度與性能迭代；

值得一提的是，銀河通用最新的工業重載機器人Galbot S1也在春晚亮相，與衛星、航母、C919一同作為“國之重器”展出。

從技術路線上來看，銀河通用主打“仿真為主、真機為輔”的虛實結合訓練管線：

自研仿真系統生成百億級機器人干活數據集，破解行業真實數據稀缺難題，實現Sim2Real無縫遷移，這構成了其具身能力擴展的底座。

過去一年，銀河通用密集推出GraspVLA（零樣本抓取）、GroceryVLA（零售大模型）、TrackVLA（動態導航）、NavFoM（全域導航基座）等成果。

由此構建起感知理解-空間推理-執行控制的全棧具身模型體系，春晚亮相的AstraBrain，正是其最新技術成果：

在產業落地層面，銀河通用的版圖已覆蓋工業、零售、倉儲物流、醫療康養等多個領域。

在工業領域，銀河通用已獲得寧德時代、極氪等頭部制造企業千臺級訂單，實現進廠部署。

在零售場景，“銀河太空艙”已落地數100多座城市，自主售賣文創飲料零食。

在倉儲物流領域，全球首推百臺級機器人7×24小時自主運營零售倉，已穩定運行超一年。

在醫療康養領域，與宣武醫院等三甲機構合作，落地病房、藥房、導診等場景；在2025世界人形機器人運動會中，還以全自主、零遙操作拿下世界冠軍。

這意味著，銀河通用正在把機器人從實驗室，一步步推向日常生活與真實產業，構建起一張完整的具身智能生態網格。

而具身智能的下半場，核心比拼的正是模型能力與生態構建。

回顧剛剛過去的具身智能量產元年，行業格局已迅速收斂：

硬件趨于標準化，真正決定機器人生產力的，具身模型的操作泛化性，將成為真正的勝負手。

中國憑借超大規模市場、豐富應用場景與完整產業鏈，走出了一條“場景牽引、快速迭代、規模應用”的道路。

但毋庸諱言，硬件本體發展快于具身大腦的格局仍未改變。

而銀河通用，恰好站在這一關鍵節點上——

從模型出發，以仿真數據與Sim2Real持續擴展技能邊界，將行業競爭從機械參數推向真實作業能力。

模型能力的追趕與超越，將成為2026年具身領域最關鍵的變量。

機器人春晚十年，中國具身從0到1

最后，說句不太冷的冷知識。

最早上春晚的機器人，不是宇樹去年的《秧bot》、也不是21年的《牛起來》，而是10年前的優必選。

2016年猴年春晚，540臺Alpha 1S組成方陣，整齊起舞為孫楠伴唱《沖向巔峰》，創下“最多機器人同時跳舞”的吉尼斯世界紀錄。

那時，OpenAI剛剛成立，一個月后，AlphaGo戰勝李世石——

AI 3.0曙光初現，西方算法與算力全面領跑，中國AI還在硬件追趕、算法仰望的階段。

十年后，2026馬年春晚，機器人陣容空前——

多家具身智能公司集體登臺亮相，覆蓋舞蹈、運動、干活、陪伴各個場景。

可以說，春晚見證了中國AI從跟跑到并跑領跑的十年躍遷，具身智能作為下一個十年北極星，也正式進入“中國時間”。

這次登臺表演干活的銀河通用，正是對這段路徑的生動注腳：

它向世界展示的不僅是一個企業的技術實力，更是中國具身智能產業的整體轉向：

從攻克運動控制、展示視覺奇觀，轉向解決實際問題、創造經濟與社會價值的新階段。

在億萬觀眾除夕夜的注視下，機器人穩穩盤核桃、取貨遞水，為十年的AI追趕畫上階段性休止符。

下一個十年，具身要干的，是讓這些“會干活的機器人”，走進每個工廠、每個倉庫、每個家庭，從舞臺落地生產線，真正激活萬億產業動能。

最后的最后，說句題外話。

你說這正月十五，還有節目嗎？