机器人技术正在迎来一次根本性变革。谷歌 DeepMind 刚刚发布的 GeminiRobotics 项目展示了两个协同工作的全新模型，
生成式 AI 技术在文本、图像、音频和视频创作领域已经变得司空见惯，而现在同样的技术正在被应用于输出机器人动作指令。DeepMind 团队认为，生成式 AI 对机器人技术具有独特重要性，因为它能够解锁通用功能特性。
当前机器人面临的核心问题是过度专业化。每个机器人都需要针对特定任务进行密集训练，在执行其他任务时表现糟糕。谷歌 DeepMind 机器人部门负责人 CarolinaParada 指出:"今天的机器人高度定制化且部署困难，通常需要数月时间才能安装一个只能执行单一任务的机器人单元。"
生成式系统的基础特性让 AI 驱动的机器人变得更加通用。它们可以面对全新的环境和工作空间，无需重新编程就能适应。DeepMind 当前的机器人技术方法依赖于两个模型的协作: 一个负责思考，一个负责执行。
这两个新模型分别命名为 GeminiRobotics1.5 和 GeminiRobotics-ER1.5。前者是视觉-语言-动作模型，能够使用视觉和文本数据生成机器人动作指令。后者中的"ER"代表具身推理，这是一个视觉-语言模型，接收视觉和文本输入后生成完成复杂任务所需的步骤。
GeminiRobotics-ER1.5 是首个具备模拟推理能力的机器人 AI 系统，类似于现代文本聊天机器人的推理过程。DeepMind 称其为"思考"能力，尽管在生成式 AI 领域这个术语可能并不完全准确。据 DeepMind 介绍，ER 模型在学术和内部基准测试中都取得了
以分拣洗衣物为例: 当需要机器人将一堆衣物分成白色和彩色两类时，GeminiRobotics-ER1.5 会处理这个请求并分析物理环境的图像。这个 AI 系统还能调用谷歌搜索等工具收集更多数据。然后 ER 模型生成自然语言指令，为机器人提供完成任务所需遵循的具体步骤。
这种双模型架构的创新之处在于将推理和执行分离。推理模型专注于理解任务需求和环境状况，制定详细的行动计划; 执行模型则负责将这些计划转化为具体的机器人动作。这种分工协作的方式让机器人系统既具备了复杂的思考能力，又保持了精确的执行效率。
从技术发展趋势来看，这一突破可能标志着机器人技术从专用化向通用化的重要转折点。传统机器人需要针对每个新任务进行大量训练和调试，而具备生成式 AI 能力的机器人理论上可以通过自然语言指令快速适应新的工作场景。
当然，这项技术仍处于早期阶段，实际部署中可能面临各种挑战。机器人在复杂真实环境中的表现、安全性保障、成本控制等问题都需要进一步解决。但 DeepMind 的这一尝试无疑为机器人技术的未来发展指明了一个极具前景的方向。
