Google DeepMind 发布 Gemini Robotics 1.5

背景

工厂里的机器人通常按预先编好的程序重复同一个动作。遇到没见过的物体、换了房间，或者只是换了一句指令，往往要工程师重新改程序。机器人基础模型的思路是换一种做法：用一个具备通用能力的模型，让人用日常语言下指令，而不必为每个任务单独写代码。

发布了什么

2025年9月25日，Google DeepMind 发布 Gemini Robotics 1.5 和 Gemini Robotics-ER 1.5。^[1] 按该公司的说法，这两个模型把 AI 智能体（AI agent）带进物理世界，让机器人能够感知、规划、思考、使用工具并采取行动。^[1] Google DeepMind 还把 Gemini Robotics 1.5 称为自己能力最强的视觉-语言-动作模型（vision-language-action model，VLA）。^[1]

视觉-语言-动作模型，指的是同时接收图像和语言指令、并输出动作的模型。笼统地说，这类模型把「看到什么」和「被要求做什么」直接对应到「怎么做」，而不必由人手工把感知、规划、控制几个独立模块拼接起来。

两个模型，两种分工

这两个模型的活儿是分开的。Gemini Robotics 1.5 是真正驱动动作的那一个，被 Google DeepMind 称为其能力最强的 VLA 模型。^[1] Gemini Robotics-ER 1.5 则站在更高一层：该公司把它描述成统筹机器人各项活动的高层「大脑」。^[1] 它还能原生调用 Google Search 之类的工具。^[1]

这种分工有其道理，因为两件事的难度所在并不相同。判断下一步该做什么、信息不够时去哪里查，主要是推理问题；把决定变成各个关节的运动，主要是控制问题。工具调用给了规划模型一条超出自身已有知识的通道，例如去查询搜索引擎，而不是只凭记忆作答。

先推理，再行动

Google DeepMind 特别提到的一点是，这个 VLA 模型在行动之前会先用自然语言推理。^[1] 它不是从图像直接跳到电机指令，而是先产出一段关于自己打算做什么的中间描述，再据此行动。

这类中间步骤在 AI 系统里是常见做法，对机器人有很实际的好处：用语言写下的计划可以被检查、可以拿去和指令对照，并且在机器动起来之前就能改正。它也让模型的行为对身边的人更易读——人们可以直接读到推理过程，而不必从动作去猜测意图。

一项技能，多种身体

Google DeepMind 表示，在一台机器人上学会的动作可以迁移到身体结构不同的机器人上。^[1] 在机器人领域，身体结构（embodiment）指的是机器的物理形态：它的手臂、夹爪、传感器以及这些部件如何排布。两台身体结构不同的机器人无法简单共享一串关节角度，因为关节并不一一对应。

这类迁移是这个领域里较难的问题之一，因为在一台机器上演示过的技能，必须用一种能经受身体更换的表达方式记录下来。只有做到跨身体结构迁移，一项能力才可能学一次就在一批结构各异的机器上复用，而不是每台机器都重新教一遍。

开发者怎么用

两个模型开放的程度不同。Gemini Robotics-ER 1.5 通过 Gemini API 以预览形式提供给开发者。^[1][2] 而产生动作的 Gemini Robotics 1.5，当时只向部分合作方开放。^[1]

意义

用 Google DeepMind 自己的定位来概括最省事：这是把 AI 智能体带进物理世界的模型，机器人在其中感知、规划、思考、使用工具并行动。^[1] 单独的语言模型产出的是文字；VLA 模型把动作也产出，补上了回路的下半段，而位于其上的规划模型决定这段动作要达成什么。两个模型一起发布，并为开发者留出通过 API 预览的入口，等于把这套回路中的几块拼图摆到了外部开发者面前，而不是留在一场实验室演示里。