谷歌DeepMind本周推出了两个AI模型，旨在让机器人比以往更聪明。更新后的Gemini Robotics 1.5及其伴侣Gemini Robotics-ER 1.5不再专注于执行指令，而是让机器人思考问题、在互联网上搜索信息，并在不同的机器人代理之间传递技能。

据谷歌称，这些模型标志着“能够以智能和灵活性驾驭物理世界复杂性的基础步骤”。

“Gemini Robotics 1.5标志着在物理世界中解决AGI的重要里程碑，”谷歌在公告中表示。 “通过引入代理能力，我们超越了对命令做出反应的模型，创建了能够真正推理、计划、主动使用工具和泛化的系统。”

而这个术语“泛化”很重要，因为模型在这方面存在困难。

机器人——以及一般的算法——通常在这方面存在困难。例如，如果你教一个模型折叠一条裤子，它将无法折叠一件T恤，除非工程师提前编程每一个步骤。

新的模型改变了这一点。它们可以捕捉线索、读取环境、做出合理的假设，并执行过去无法实现的多步骤任务——或者至少对机器来说极其困难的任务。。

但更好并不意味着完美。例如，在其中一个实验中，团队向机器人展示了一组物品，并要求它们将其放入正确的垃圾桶。机器人使用其摄像头视觉识别每个物品，在线查找旧金山最新的回收指南，然后将它们放置在理想的位置，就像当地人一样。

这个过程结合了在线搜索、视觉感知和逐步计划——做出超越旧机器人能力的情境感知决策。注册的成功率在20%到40%之间；虽然不理想，但对于一个以前无法理解这些细微差别的模型来说，已经令人惊讶。

谷歌如何将机器人变成超级机器人

这两个模型分工合作。Gemini Robotics-ER 1.5像大脑一样，弄清楚需要发生什么并创建一个逐步计划。当需要信息时，它可以调用谷歌搜索。一旦有了计划，它就将自然语言指令传递给Gemini Robotics 1.5，后者负责实际的物理动作。

更技术性地说，新的Gemini Robotics 1.5是一个视觉-语言-动作（VLA）模型，将视觉信息和指令转化为运动指令，而新的Gemini Robotics-ER 1.5是一个视觉-语言模型（VLM），创建多步骤计划以完成任务。

例如，当机器人分类洗衣时，它会通过一系列思考来内部推理任务：理解“按颜色分类”意味着白色放在一个箱子里，彩色放在另一个箱子里，然后分解出拾取每件衣物所需的具体动作。机器人可以用简单的英语解释其推理，使其决策不再是一个黑箱。

谷歌CEO桑达尔·皮查伊在X上发表了意见，指出新模型将使机器人更好地推理、提前计划、使用搜索等数字工具，并在不同类型的机器人之间转移学习。他称之为谷歌“迈向真正有用的通用机器人的重要一步。”

这一发布使谷歌与特斯拉、Figure AI和波士顿动力等开发商共享聚光灯，尽管每家公司采取不同的方法。特斯拉专注于其工厂的大规模生产，埃隆·马斯克承诺到2026年生产数千台。波士顿动力继续推动机器人运动能力的极限，其Atlas机器人能做后空翻。与此同时，谷歌押注于使机器人适应任何情况而无需特定编程的AI。

时机很重要。美国机器人公司正在推动制定国家机器人战略，包括在中国将AI和智能机器人作为国家优先事项的时刻，建立一个专注于促进该行业的联邦办公室。根据总部位于德国的国际机器人联合会的数据，中国是全球最大的工厂和其他工业环境中工作的机器人市场，2023年约有180万台机器人在运行。

DeepMind的方法不同于传统的机器人编程，后者需要工程师精心编写每一个动作的代码。相反，这些模型通过演示学习，并能随时适应。如果物体从机器人的抓握中滑落或有人在任务中途移动了某物，机器人会调整而不会错过节拍。

这些模型建立在DeepMind早期的工作基础上，三月份时机器人只能处理单一任务，如解开包或折纸。现在它们正在处理许多人类都难以应对的序列任务——例如在查看天气预报后为旅行适当打包。

对于想要实验的开发者来说，存在一种分裂的可用性方法。Gemini Robotics-ER 1.5于周四通过谷歌AI Studio的Gemini API推出，这意味着任何开发者都可以开始使用这个推理模型进行构建。动作模型Gemini Robotics 1.5仍然仅限于“精选”（可能是“富有的”）合作伙伴。