人工智能

谷歌旗下 Gemini AI 模型驱动的机器人迎来全面升级。随着 Gemini Robotics 2 的正式亮相，这些实体机器人如今能够完成更复杂的任务、持续分析动态变化的环境，并与其他机器人协同作业。这一切得益于三个全新子模型的支撑，其中一个已于今日向开发者开放使用。

多年来，机器人奔跑、跳舞、后空翻的视频在互联网上广泛流传，但这些机器人大多是为完成特定动作而编程的。Gemini Robotics 的目标是打造一款通用型机器人，使其具备与人类相当的行动能力。谷歌 DeepMind 的科学家们有时将这一目标称为"物理 AGI"——即你告诉机器人做什么，它便能执行。在 2.0 版本中，谷歌表示其机器人 AI 已能控制完整的仿人机器人，即使面对结构复杂的仿人机械手，灵活性也得到了显著提升。

此次升级的核心是 Gemini Robotics ER 2，这是一款升级版的"具身推理"模型，DeepMind 声称其性能相较于此前的 1.6 版本实现了重大飞跃。该模型已与 Gemini Live API 集成，为开发者提供了率先体验这一进步的机会。

Gemini Robotics ER 2 属于视觉语言模型（VLM），专为理解操作指令与周围环境而设计。此次升级的亮点在于，ER 2 能够实时处理机器人摄像头的视频流，使系统得以在机器人逐步推进任务的过程中持续追踪执行进度。谷歌指出，Gemini Robotics ER 2 对视频帧完整性的分类准确率接近 60%。尽管距离完美仍有差距，但这一表现已远超 1.6 版本，也优于目前同类竞争 AI 模型的视觉理解能力。

精准识别视频流中的关键时刻，同样是机器人准确完成任务的关键所在。以倒咖啡为例，机器人必须清楚地判断何时停止倾倒。ER 2 在这方面表现尤为出色，对关键时刻的识别准确率接近 90%。在执行多步骤任务时，具身推理模型使机器人能够实时感知操作失误，并在原步骤上进行重试，而无需从头开始。例如，若机器人尝试抓取的球滚走，或有人移动了容器，系统可以直接调整手部位置和动作，而不必重置整个流程。

此次发布的升级版具身推理模型，也赋予了谷歌 DeepMind 机器人 AI 多机协作的能力。演示视频展示了 Apptronik 的 Apollo 2 与更简单的 Franka F3 Duo 协同完成任务，且互不干扰的场景。尽管测试机器人在速度和动作流畅度上仍与人类存在差距，但演示视频中包含了大量实时操作画面，机器人的表现明显比以往测试中更加果断、自然。

理解指令只是第一步，驱动机器人在物理世界中实际行动，则由另一个模型负责。视觉语言模型在完成任务规划后，会将控制权移交给升级版的视觉语言动作模型，即 Gemini Robotics 2。该模型依据任务指令生成机器人动作，其原理与其他生成式 AI 系统生成文本或图像的方式如出一辙。此外，还有一款低延迟的本地离线版本，名为 Gemini Robotics On-Device 2。目前，这两款模型仍处于小范围测试阶段。

Q&A

Q1：Gemini Robotics ER 2 和之前的版本相比有哪些具体提升？

A：Gemini Robotics ER 2 相比 1.6 版本有多项显著提升。它可以实时处理机器人摄像头的视频流，对视频帧完整性的分类准确率接近 60%，对关键动作时刻的识别准确率接近 90%。此外，它还支持多机器人协同作业，并能在任务执行失败时实时感知并在原步骤上重试，而无需从头开始整个流程。

Q2：Gemini Robotics 2 和 Gemini Robotics On-Device 2 有什么区别？

A：Gemini Robotics 2 是标准版视觉语言动作模型，负责将任务规划转化为具体的机器人动作，原理类似于生成式 AI 生成文本或图像。Gemini Robotics On-Device 2 则是它的本地离线版本，具有低延迟特性，适合在设备端运行，无需依赖云端连接。目前这两款模型都仅对小范围测试用户开放。

Q3：Gemini Robotics ER 2 现在普通开发者可以用吗？

A：可以。Gemini Robotics ER 2 已与 Gemini Live API 集成，开发者从今日起即可访问和体验该模型。而另外两款模型——Gemini Robotics 2 和 Gemini Robotics On-Device 2——目前仍处于小范围测试阶段，尚未对所有开发者开放。