谷歌欧洲机器人加速器启动：15家初创入选，物理AI竞赛开局

谷歌押注物理AI，欧洲机器人加速器正式启动

谷歌近日宣布其机器人加速器计划（Robotics Accelerator）正式启动，首批15家欧洲初创公司入选。这一为期三个月的加速项目，将为入选企业提供谷歌AI技术栈、Gemini Robotics模型以及来自谷歌团队的实操支持，目标是推动"物理AI"（Physical AI）在欧洲的发展。

这一举措标志着谷歌在具身智能（Embodied AI）领域的战略布局进一步深化，也反映出全球科技巨头对机器人与AI融合赛道的高度关注。

什么是物理AI？为何成为行业新焦点

物理AI是近年来AI领域备受关注的概念，指的是能够在真实物理世界中感知、理解并执行动作的人工智能系统。与纯粹的数字AI（如聊天机器人、图像生成工具）不同，物理AI需要同时解决机器人控制、环境感知、实时决策等一系列更为复杂的工程挑战。

物理AI的核心技术难点在于弥合"sim-to-real gap"（仿真到现实的鸿沟）。在数字环境中训练的AI模型，一旦部署到真实物理世界，会面临传感器噪声、物体形变、光照变化、动力学不确定性等大量未建模因素。传统机器人依赖精确的数学建模和预编程控制策略——例如工业机械臂通过逆运动学方程精确计算每个关节角度，这种方式在结构化环境（如工厂产线）中表现优异，但面对非结构化场景（如家庭环境、户外地形）时则捉襟见肘。物理AI则试图通过端到端学习、强化学习和大规模数据驱动的方式，让机器人具备泛化能力——即在未见过的场景中也能合理行动。这一范式转变的背后，是Transformer架构在机器人领域的成功迁移，以及大规模机器人操作数据集（如Google的RT-2、Open X-Embodiment）的持续积累。其中，Open X-Embodiment项目尤为值得关注，它由谷歌DeepMind联合全球21个研究机构共同构建，汇集了来自22种不同机器人形态的超过100万条操作轨迹数据，首次为机器人领域提供了类似NLP领域大规模语料库的数据基础，使得训练通用型机器人策略模型成为可能。

从英伟达CEO黄仁勋多次强调"物理AI是下一波浪潮"，到谷歌此次专门设立加速器项目，行业共识正在形成：大语言模型的能力正在从数字世界溢出到物理世界，机器人是最重要的载体之一。 黄仁勋在2024年多个公开场合将物理AI定位为与数字AI同等重要的技术方向，英伟达也围绕这一判断推出了Isaac Sim仿真平台、Cosmos世界模型基础模型等一系列产品，试图构建从仿真训练到真实部署的完整工具链。这种来自芯片巨头和AI平台公司的双重押注，表明物理AI已从学术前沿概念演变为具有明确商业前景的技术赛道。

谷歌机器人加速器提供哪些核心资源

Gemini Robotics模型：多模态能力赋能机器人

谷歌为入选企业提供的核心技术资源之一是Gemini Robotics模型。Gemini作为谷歌最新一代多模态AI模型，具备强大的视觉理解、语言推理和多模态融合能力。将Gemini的能力延伸到机器人领域，意味着机器人可以更自然地理解人类指令、感知复杂环境并做出合理决策。

具体而言，Gemini Robotics是谷歌在2025年3月发布的专门面向机器人应用的模型变体，分为Gemini Robotics和Gemini Robotics-ER（Embodied Reasoning）两个版本。其中，Gemini Robotics-ER侧重于高层次的空间推理和场景理解——例如理解"把红色杯子放到微波炉左边"这类涉及空间关系的复杂指令，而Gemini Robotics则进一步具备直接生成底层控制信号的能力。其核心创新在于将Gemini的多模态理解能力与机器人动作生成（action generation）直接打通——模型不仅能理解视觉输入和语言指令，还能直接输出机器人关节层面的控制信号。这种"视觉-语言-动作"（VLA, Vision-Language-Action）模型架构，延续了谷歌此前RT-2和RT-X系列的研究路线，但在模型规模、推理能力和跨任务泛化性上实现了显著提升。VLA模型的技术演进路径清晰可循：2023年的RT-2首次证明了视觉语言模型可以直接输出机器人动作token，2024年的RT-X则验证了跨机器人形态的策略迁移可行性，而Gemini Robotics则借助Gemini基座模型的强大推理能力，在任务理解的深度和动作执行的精度上实现了质的飞跃。相比传统的模块化机器人系统（感知模块→规划模块→控制模块分离设计），VLA模型的端到端特性大幅简化了系统集成复杂度，消除了模块间信息传递的损耗和延迟，这对资源有限的初创公司尤为重要。

完整AI技术栈：降低初创公司技术门槛

除了模型本身，谷歌还将开放其AI技术栈的访问权限，包括云计算基础设施、TPU算力资源以及机器人开发相关的工具链。对于初创公司而言，这些资源的获取门槛通常极高，加速器项目大幅降低了技术验证和产品迭代的成本。

其中，TPU（Tensor Processing Unit）是谷歌自主研发的AI专用芯片，目前已迭代至第六代（Trillium）。与英伟达GPU相比，TPU在谷歌自有框架（如JAX/TensorFlow）下的大模型训练和推理效率上具有独特优势，尤其在大批量矩阵运算和低精度推理场景中表现突出。TPU的架构设计从一开始就针对大规模并行计算进行了深度优化，其脉动阵列（systolic array）结构特别适合Transformer模型中密集的矩阵乘法运算，而第六代Trillium在单芯片算力、芯片间互联带宽和能效比上均实现了大幅提升。对机器人初创公司而言，训练VLA模型所需的算力成本极为高昂——一次完整的大规模机器人策略训练可能需要数千TPU小时，按市场价格估算，仅算力成本就可能达到数十万美元，这对于种子轮或A轮阶段的初创公司来说是难以承受的。谷歌通过加速器项目开放TPU访问权限，实质上是在用算力补贴换取生态绑定，这与AWS、Azure在云计算领域对初创公司的策略如出一辙——亚马逊的AWS Activate和微软的Microsoft for Startups项目每年向数万家初创公司提供免费云计算额度，目的正是在企业成长早期建立技术依赖。

团队实操支持：深度技术合作

三个月的项目周期内，谷歌将安排内部团队为初创公司提供hands-on支持。这种深度技术合作模式，不仅能帮助初创企业快速突破技术瓶颈，也让谷歌得以近距离观察和筛选潜在的收购或投资标的。这种"加速器即漏斗"的模式在科技行业已有成熟先例——谷歌此前通过Google for Startups项目已投资和收购了多家AI初创公司，而Y Combinator、Techstars等知名加速器的核心商业模式也正是通过早期深度接触来获取优质投资标的的信息优势。

为何选择欧洲作为首站

谷歌将首批机器人加速器落地欧洲，背后有多重战略考量：

• 制造业基础深厚：欧洲拥有全球领先的工业制造体系，德国、瑞士等国在精密制造和工业自动化领域积累深厚，为机器人应用提供了天然的落地场景。根据国际机器人联合会（IFR）的数据，德国是欧洲最大的工业机器人市场，其汽车制造、电子和金属加工行业的机器人密度位居全球前列。
• 人才储备丰富：欧洲高校在机器人学、控制理论等基础学科方面有着世界级的研究水平，ETH Zurich、Imperial College等机构持续输出顶尖人才。
• 政策环境友好：欧盟对AI和机器人技术的监管框架相对明确，为企业提供了可预期的发展环境。特别是欧盟《人工智能法案》（AI Act）虽然对高风险AI应用设置了严格要求，但同时也为创新提供了"监管沙盒"机制，允许初创公司在受控环境中测试新技术，这种"严格但可预期"的监管风格反而为企业提供了比监管模糊地带更强的确定性。
• 竞争卡位：在中美两国机器人赛道竞争白热化的背景下，欧洲市场成为重要的第三极，谷歌此举也有抢占生态位的意图。

值得深入了解的是，欧洲在机器人领域的学术积累不容小觑。苏黎世联邦理工学院（ETH Zurich）的机器人系统实验室是四足机器人ANYmal的诞生地，ANYmal以其在极端环境（如矿井、海上油气平台）中的自主导航能力著称，其衍生公司ANYbotics已成为工业巡检机器人的领军企业，并在2024年完成了大规模商业部署。帝国理工学院（Imperial College London）在灵巧操作和软体机器人方面处于世界前沿，其研究团队在机器人手指的触觉感知和柔性抓取领域发表了大量开创性工作。此外，德国的弗劳恩霍夫研究所体系（Fraunhofer）长期充当学术研究与工业应用之间的桥梁，旗下76个研究所覆盖了从制造技术到人机协作的广泛领域，在工业4.0框架下推动了大量机器人技术的产业化。意大利理工学院（IIT）则是人形机器人iCub的研发机构，iCub作为开源人形机器人平台已被全球超过40个实验室采用，为人形机器人的认知发展研究提供了重要基础。这种从基础研究到应用转化的完整链条，使欧洲成为机器人初创公司的天然孵化土壤，也解释了谷歌为何将首站选在这里。

行业影响与未来展望

谷歌此次加速器项目的启动，释放了几个重要信号：

大模型公司正在系统性地进入机器人赛道。 从OpenAI投资Figure，到谷歌推出Gemini Robotics并设立加速器，头部AI公司不再满足于纯软件层面的竞争，而是积极向硬件和物理世界延伸。

回顾这一趋势的标志性事件：2024年初，人形机器人公司Figure AI完成了约6.75亿美元的B轮融资，投资方包括OpenAI、微软、英伟达、Jeff Bezos等，公司估值一举达到约26亿美元，成为当时AI硬件领域最大规模的单轮融资之一。Figure随后与OpenAI合作，将GPT系列模型集成到其人形机器人Figure 01和Figure 02中，使机器人能够通过自然语言对话理解任务指令并执行复杂操作——在演示视频中，Figure 02能够在听到"我饿了"这样的模糊指令后，自主判断应该递上桌面上的苹果。这一合作被视为大模型公司进军物理世界的标志性事件。此后，英伟达推出了Project GR00T人形机器人基础模型，旨在为人形机器人提供通用的运动控制和任务理解能力；特斯拉持续迭代Optimus人形机器人，马斯克宣称其目标是实现大规模量产并将单台成本控制在2万美元以下；中国的智元机器人（Agibot）获得了超过10亿元人民币的融资，宇树科技（Unitree）的四足和人形机器人产品则以极具竞争力的价格迅速打开了全球市场。整个行业正在形成"大模型+机器人"的深度融合趋势，谷歌的加速器项目正是这一浪潮中的最新动作。

"模型+生态"的竞争模式正在复制到机器人领域。 正如安卓通过开放生态赢得了移动互联网时代，谷歌试图通过加速器项目构建以Gemini为核心的机器人开发者生态。

这一类比值得深入理解：谷歌在移动互联网时代通过开源安卓操作系统，成功构建了覆盖数十亿设备的开发者生态，尽管硬件利润大部分被三星、华为等厂商获取，但谷歌通过搜索、应用商店（Google Play每年抽成收入超过数百亿美元）和广告服务实现了持续的商业回报。在机器人领域复制这一策略意味着：谷歌并不需要自己制造机器人硬件，而是通过提供核心AI模型（类似安卓系统）和开发工具链（类似Android Studio），让大量机器人公司基于Gemini生态开发产品。一旦Gemini Robotics成为机器人行业的"事实标准"，谷歌就能在模型API调用、云服务消费、数据回流等环节获取长期价值。这也解释了为什么加速器项目对初创公司免费开放——前期投入是为了后期的生态锁定。不过，这一策略也面临挑战：与移动操作系统不同，机器人硬件的碎片化程度远高于智能手机，不同形态的机器人（机械臂、四足、人形、无人机）在传感器配置、自由度、动力学特性上差异巨大，如何让一个统一的AI模型适配如此多样化的硬件平台，是Gemini Robotics生态能否成功的关键技术挑战。

机器人初创公司的窗口期可能正在缩短。 当大厂开始系统性地提供模型、算力和技术支持时，独立发展的初创公司如果不能快速建立差异化优势，将面临被生态吸纳的风险。这种动态在历史上并不罕见——移动互联网时代，大量独立应用开发商最终要么被平台收购，要么在平台规则变化中失去竞争力。对机器人初创公司而言，差异化可能来自几个方向：垂直行业的深度know-how（如农业、建筑、医疗等特定场景的领域知识）、独特的硬件设计能力、或者自有的高质量数据资产。

对于15家入选的初创公司而言，这是一次难得的加速机会。但更值得关注的是这一项目的后续走向——谷歌是否会将加速器扩展到更多地区，Gemini Robotics模型的实际表现如何，以及这些初创公司最终能否交出令人信服的产品成果。物理AI的竞赛才刚刚开始。

核心要点