Google 以更广泛的控制模型扩展其机器人技术栈
Google DeepMind 推出了 Gemini Robotics 2，这是一款新的视觉-语言-动作模型，公司表示它可以作为不同类型机器人之间的通用控制层。根据原文所述，这一模型旨在适用于从桌面机械臂到全身类人机器人等各种系统，延续谷歌将大型多模态模型转化为可在物理世界中运行的软件的努力。
这一发布之所以重要，是因为机器人开发者长期以来一直面临碎片化问题。在一种机器类型或一项任务上表现出色的模型，往往需要大量调整，才能适应不同的身体结构、传感器配置或环境。DeepMind 将 Gemini Robotics 2 描述为迈向更通用基础的一步：一个能够理解图像、处理语言，并将这些输入转化为动作的模型家族，适用于更广泛的硬件。
这种定位的重要性不仅在于技术层面。从实际角度看，机器人所谓的“智能层”意味着一个市场，在这个市场中，核心感知、推理和控制软件可以在多个平台上复用，而硬件厂商则通过机械结构、可靠性、成本和部署方式来形成差异化。如果这种思路在真实世界测试中站得住脚，那么它可能会降低为物流、工业搬运、科研和服务类应用构建自适应机器人的门槛。
DeepMind 对新模型能力的描述
原文将 Gemini Robotics 2 描述为 DeepMind 迄今最先进的视觉-语言-动作模型。视觉-语言-动作系统结合了视觉理解、自然语言解析和运动控制，使机器人能够把它看到的内容与被要求执行的任务联系起来，并作出物理响应。
DeepMind 表示，新模型可以管理全身动作、执行精细运动任务并协调多机器人。这三项要求差异很大。全身运动需要更广泛的空间规划和与平衡相关的控制。精细操作依赖更高精度的操控。多机器人协作则引入了时序与共享任务的复杂性。将这些能力打包到一个平台中，是公司论证 Gemini Robotics 2 不只是一次渐进升级，而是一种更广泛控制架构的核心。
原文还提到，开发者可以通过等待名单申请早期访问。这表明先进 AI 系统常见的发布路径：先公开宣布，再受控开放，之后若性能和安全性足够可靠，再扩大部署。对开发者来说，短期影响与其说是立即投入生产，不如说是评估、原型验证，以及理解该模型在现有机器人技术栈中的位置。
第二个模型聚焦具身推理
除了 Gemini Robotics 2 之外，Google DeepMind 还推出了 Gemini Robotics ER 2。其中“ER”指的是具身推理，原文将其描述为理解物理世界，并基于这种理解决定采取什么行动。换句话说，这个模型更侧重高层次的解释和决策支持，而不是底层执行。
DeepMind 表示，ER 2 取代了 Gemini Robotics ER 1.6，后者于 4 月发布。这种快速迭代表明，公司正在一个模型实用性取决于通用 AI 能力与机器人专属调优相结合的领域迅速推进。值得注意的分发细节是，ER 2 可在 Google AI Studio 中使用，这让开发者比通过早期访问受限开放的 Robotics 2 控制模型，更容易直接测试这套技术栈中的推理部分。
通用控制模型与推理模型的分离，也反映了机器人 AI 的更广泛设计趋势。公司越来越倾向于把“机器人应该做什么”和“机器人应如何在物理上完成”这两个问题拆开处理。推理系统可以帮助分解任务、解读场景并规划步骤，而控制模型则把这些计划转化为动作。DeepMind 的产品结构显然与这种分工相契合。
为何这次发布意义重大
这项公告进一步加剧了围绕下一代机器人软件基础平台的竞争。整个行业正在从高度脚本化的自动化，转向能够适应更不可预测环境的系统。仓库、工厂、实验室，以及最终面向公众的环境，都更青睐那些能应对变化、而不必为每个边缘情况都编写详尽手工程序的机器人。
DeepMind 的表述显示，它认为多模态基础模型是实现这种适应性的路径。如果机器人能够理解语言指令、解析视觉场景，并在任务之间泛化动作，开发者就可能用更少的定制代码构建更灵活的产品。这并不能消除安全性、时延、校准、硬件集成和评估方面的艰巨工程工作，但它可以改变技术栈中最难问题所在的位置。
这对谷歌也有战略意义。机器人领域曾多次升温又降温，因为软件侧一直难以实现泛化。通过将机器人技术更直接地绑定到公司的旗舰 AI 模型生态，Google DeepMind 实际上是在主张，通用多模态 AI 的进步如今可以转化为具身系统的进步。相比把机器人视为一个相对独立的研究方向，这是一种更强的商业叙事。
接下来值得关注的点
- 早期访问开发者是否会报告强劲的跨平台表现，而不是只针对特定机器人、局限于窄范围演示。
- 将 Gemini Robotics 2 适配不同具身形态和安全约束时，仍然需要多少集成工作。
- Google AI Studio 中的 ER 2 是否会成为 DeepMind 生态之外机器人开发者的实用规划工具。
- 随着构建通用机器人软件平台的竞赛加速，竞争对手会作出怎样的回应。
就目前而言，这次发布更适合被解读为一个重要的产品与平台信号，而不是证明具备广泛能力的机器人已经可以在各处规模化部署。不过，它确实显示了顶级 AI 实验室之一所看到的市场方向：面向多种机器可复用的多模态智能层，让它们在现实世界中更具适应性。
本文基于 The Decoder 的报道。阅读原文。
Originally published on the-decoder.com