Gemini Robotics

是什么

Gemini Robotics 是一个视觉-语言-动作模型（vision-language-action model）。它接收摄像头看到的画面和人的指令，输出的不是文字，而是直接用来控制机器人的物理动作。^[1] 2025 年 3 月 12 日，Google DeepMind 把它和另一个模型 Gemini Robotics-ER 一起公布。^[1] 它建立在 Gemini 2.0 之上。^[1]

两个模型，分工不同

这次发布包含两个职责不同的模型。Gemini Robotics-ER（ER 即 embodied reasoning，具身推理）是一个具备高级空间理解能力的 Gemini 模型。^[1] 它侧重空间推理，例如指向（pointing）和三维物体检测，并且可以接上开发者自己的底层控制器。^[1] 真正输出动作的，是 Gemini Robotics 本身。

DeepMind 对两者都给出了成绩。Gemini Robotics-ER 在 Gemini 2.0 已有的指向和三维检测能力上有大幅度提升，^[1] 在端到端测试中成功率是 Gemini 2.0 的 2 到 3 倍。^[1] 至于 Gemini Robotics，公司称它在某个泛化基准上，成绩比其他领先的视觉-语言-动作模型高出一倍以上。^[1]

能做什么

DeepMind 着重展示的是精细动作，而不是简单的位移：折纸，以及把零食装进袋子。^[1] 这两件事都要求模型处理小物件、应付会变形的材料，并把一连串动作接起来——这类精细运动控制，很难靠人手写程序实现。

另一个重点是通用性。Gemini Robotics 可以跨机器人类型工作，包括双臂 ALOHA 2 平台、Franka 机械臂方案，以及 Apptronik 的 Apollo 人形机器人。^[1] 这一点之所以重要，是因为机器人硬件非常碎片化，为一台机械臂写的代码往往很难搬到另一台上。

怎么训练的

Gemini Robotics 主要用双臂 ALOHA 2 平台的数据训练。^[1] 它也被描述为基于许多学术实验室使用的 Franka 机械臂。^[1] 底层依托 Gemini 2.0 这个通用模型。^[1]

与能力同时推进的安全工作

在模型之外，DeepMind 还发布了 ASIMOV 数据集，用来衡量机器人动作的语义安全性，^[1] 并表示这个数据集将帮助研究者严格测量机器人动作的安全影响。^[1] 其 Apollo 人形机器人是受支持的机体之一，Apptronik 被列为这项工作的合作伙伴。^[1]

处在什么位置

这次发布给出了通往物理智能的两条路径。一条是端到端：单个模型看、推理并输出动作。另一条把推理模型独立出来——Gemini Robotics-ER 负责空间理解，再交给开发者自己的控制器。^[1] 两条路径加上一套共享的安全基准，使它更像面向机器人开发者的一层基础设施，而不只是一个模型。DeepMind 对它的说法也是可测量的，而非泛泛而谈：在自家基准上比其他领先的视觉-语言-动作模型泛化更好，空间能力比 Gemini 2.0 有大幅提升。^[1]