作者｜王磊

编辑｜秦章勇

一夜之间，谷歌让机器人抢人类饭碗又进了一步。

就在今天凌晨，Google DeepMind 正式发布了其最新一代机器人模型 Gemini Robotics 2，并且配上多个了展示 Demo 视频。

一经发布便引爆整个机器人圈。

因为在 Gemini Robotics 2 的加持下，谷歌让机器人，学会了自己收拾房间，走路、下蹲、抓取、操作物体等，甚至，它还能叫上另一个机器人，两个 " 人 " 分工干活。

这意味着，机器人不再只是执行固定指令，而是真正理解世界、思考问题，并自主完成复杂任务，虽然行动还显得稍有笨拙，但不再是展示，而是实操。

过去人们一直期待机器人能走进我们的世界搭把手，如今真的照进现实了。

跟人抢活干

可能大家会疑惑，这样的事情印象中似乎不是早就实现了吗？

其实一直以来，人们对于人形机器人有个很理所当然的误解，会走路、会跳舞、会端物体，就等于会工作。

但事实上，人形机器人最难的动作，不是单纯把东西拿起来，而是拿东西之前，先让它自己稳稳的走到物体的面前，能否看清目标、甚至拿错后能否发现。

就像在谷歌公布的 Demo 视频中，当旁边的工作人员下达 " 把洒水器放进底层架子的绿色收纳箱里 " 这一指令后，Apptronik 的 Apollo 2 走到桌边拿起浇水壶，再走到货架前，把它放进底层的绿色箱子。

虽然这段演示看起来并不惊艳。走路、抓取、放置，单独拿出来都不是新能力。

但关键的是，谷歌做到了让机器人要把这些动作连起来：理解目标、找到目标、规划路线、控制双腿、走到目标面前、调整身体姿态，再让手臂和手指完成抓取，中间任何一步失败，后面的动作都无法继续。

甚至，在机器人实操从地上拿起篮子的的过程中，工作人员故意将篮子拉到另一边，Apollo 2 并没有停止工作，反而寻找起篮子并继续执行指令。

这看上去只是一次简单的收纳任务，但背后涉及的其实是一整套连续的全身移动与操作，而 16 个月之前，初代的 Gemini Robotics 还只是局限在控制机器人的上半身，完成桌面抓取等任务，而现在的 Gemini Robotics 2 已经控制范围扩展到从双脚到手指。

换句话说，Gemini Robotics 2，不只是让机器人拥有了一双更灵巧的手，而是开始尝试把腿、腰、手臂和手指连成一个整体。

这就意味着，不同于传统机器人只能按照预设程序工作，Gemini Robotics 具备更强的泛化能力——面对陌生场景，它可以理解目标、规划步骤，并根据环境变化调整行动。

比如看到桌上有杯子，它知道杯子应该放回杯架；看到地上有衣服，它知道衣服应该放进洗衣篮。这不是预设的规则，而是模型自己推理出来的。

除了全身移动操作，官方展示的另外几个操作 Demo 也都相当惊艳。

比如灵巧手的精细操作更进一步，之前那些模型控制机械手，顶多抓个球，拿个水杯这回谷歌直接让机器人用机械手打结，你没听错，像人一样给塑料袋打结。

还能把葡萄装进自封袋，再捏住袋口两端，把自封条慢慢收口。

也能拆拧灯泡，把在灯罩里的灯泡，慢慢拆下来，再拧回去，还没把灯泡捏碎，就很离谱了。因为相比于拆，拧上去更难，得先把灯泡轴线和灯座螺纹对上，旋进去还要维持同轴，力大了滑丝、力小了空转，最后还得判断什么时候算到位。

也正因如此，根据 DeepMind 同步发布的实操成功率，拆灯泡成功率达到了 92%，而拧上灯泡只有 36% 的成功率。

无论是哪一种操作，对于一个机器人来说无疑于噩梦，要做到受力反馈微妙到极点的程度，手指劲大一点小一点全废。

虽说离人类那种行云流水还差着火候，但至少证明这套模型对不同类型的手，适应能力和控制精度都上了个大台阶。

另外，还能做到双手协同，一只手拿着簸箕，另一只手拿着刷子，把桌面上的垃圾扫进去，还头一回让不同机器人之间互相通信打配合，不同类型的机器人可以相互传递任务信息、分工完成同一套工作流，从而处理那些单台机器人难以独立完成的复杂任务。

还有值得一提是，过去，机器人往往需要针对特定硬件进行大量编程。一台机械臂、一台人形机器人、一个移动机器人，都需要独立开发控制系统。

而 Gemini Robotics 2 希望改变这一模式，让 AI 模型成为机器人的通用智能层，按照 Google DeepMind 的表述：" 一颗大脑，适配所有机器人。"

谷歌表示，这一模型仅需数小时，并在不足 200 条示例数据情况下，就能完成对全新双臂机器人平台的适配。对于外形、传感器、自由度差异大的机器人硬件，同样能够快速适配。

而且给出了一部分的适配名单，包括 Apollo（Apptronik 的人形）、Franka、Dexmate、SO101、Trossen，都可以使用同一个大脑。

三大模型合作

那么谷歌是如何做到这些的？

虽然谷歌在发布时，将其称之为 Gemini Robotics 2 大模型，但实际上，背后有三个大模型的加持，对应着三层分工，补齐了机器人的操作、思考、适配三大核心逻辑。

第一个就是 Gemini Robotics 2，即传统的 VLA，视觉 - 语言 - 动作大模型，这个大家就比较熟悉了，捕捉周围环境，听懂人类指令，然后把它们直接转化成机器人的身体动作。

只不过，他现在控制的范围从上半身进化到了全身，也支持双臂机器人；在灵巧手和夹爪上都能做精细操作，是干活的主体。

但是，在现实环境中不会把所有东西都整齐地摆在机器人面前再操作，所以也就有了第二个模型的加持—— Gemini Robotics ER 2，具身推理模型。

Google 管他叫机器人的 high-level brain（高级大脑），简单来说，如果 Gemini Robotics 2 负责 " 怎么动 "，那么 ER 2 负责的就是 " 接下来做什么 "。

它不直接动电机，只是负责听懂指令、理解环境，然后将持续数分钟、涉及数百次决策的长序列复杂任务拆成多个步骤，然后把具体的动作执行派给下面任意一个 VLA 再逐步执行，并持续跟踪任务进度。

这也让当研究人员下达模糊指令 " 儿童需要进行运动 " 时，Apollo 2 就会自动解析已设置的日程任务，完成棒球与匹克球运动工具的搜寻与放置。

其还能识别关键事件节点，某一步失败了能自我纠正，能泛化到没见过的新情况，不至于出现一次失败就直接停机的情况发生，不同机器人之间能相互协作也是得益于这一模型的存在。

最后是负责端侧部署的 Gemini Robotics On-Device 2。也是谷歌目前效率最高的端侧模型，直接运行在机器人自带的计算设备上，不必每次都把信息发到云端。这样既能减少延迟，也能让机器人在断网或不适合上传数据的环境里继续行动。

它还有着多硬件载体兼容的特性，这也让其成为适配不同机器人主体的基础底座。

整体来看，谷歌这次发布的三款模型关系相当明确，类似于 " 动作员 + 调度员 + 本地反射弧 " 的组合，把机器人需要的几种能力拼到一起。

尽管从谷歌给出的说明来看，目前整体的动作均衡性表现较差，但趋势已经非常清晰了。

就像 iPhone 刚发布的时候，大多数人觉得 " 触屏手机有什么用 "。如今，智能手机重塑了所有人的生活方式。

而今天的机器人，已经站在了类似的节点上。