谷歌Gemini Robotics 2发布：VLA大模型如何重塑具身智能？

type

status

date

slug

summary

运动控制新范式：从“局部解耦”到“全身协同”的VLA模型

在过去的具身智能演示中，我们常常看到机器人站在原地，仅仅依靠机械臂在桌面上进行抓取或移动物体。这种操作模式实际上将机器人的移动（下半身）与操作（上半身）进行了物理上的解耦。

而Gemini Robotics 2作为一款先进的VLA（Vision-Language-Action，视觉-语言-动作）大模型，打破了这一限制。它能够直接接收人类的自然语言指令和机器人摄像头捕捉到的视觉信息，并将其转化为机器人全身的控制指令。

在实际应用中，这意味着机器人不再只是一个“有手的桩子”。当接收到“将洒水器放进底层架子的绿色收纳箱”这一指令时，机器人需要自主完成一连串的动作：行走、转向、调整躯干姿态、弯腰、精准抓取并放置。Gemini Robotics 2将双腿、躯干、手臂和多指灵巧手连成一个统一的控制整体。不仅如此，它还展示了极高的物理精细度，例如旋出灯座上的灯泡、双手协同扫地、甚至是用手指撑开并套好塑料袋。这种高自由度的全身控制，标志着物理AI迈出了关键的一步。

任务规划大脑：Gemini Robotics ER 2的长程决策与多机协作

如果说Gemini Robotics 2负责的是“如何动”，那么同时发布的 Gemini Robotics ER 2 负责的则是“接下来做什么”。它是整套机器人系统的“高级大脑”。

在复杂的现实场景中，人类的一句简单指令往往包含数十个子步骤。ER 2作为高级推理模型，能够理解人类意图、观察周围环境、将长程任务拆解为多个步骤，并调度底层的VLA模型去执行。

更重要的是，ER 2具备极强的容错与纠错能力。在执行任务过程中，如果某个步骤发生意外（例如物体滑落），机器人不会直接宕机，而是会重新评估环境、调整规划并继续执行。此外，ER 2还支持多机器人协作，允许不同形态的机器人分工配合，共同完成单台机器人无法独立应对的复杂工作流。这种高层规划能力，正是大模型（LLM）赋能物理世界的重要体现。

零门槛适配与端侧部署：Gemini Robotics On-Device 2的效率革命

为了解决机器人技术在实际工业或户外场景中的落地难题，谷歌推出了 Gemini Robotics On-Device 2。这是一个专为端侧部署设计的高效VLA小模型。

On-Device 2可以直接在机器人本地运行，无需依赖持续的云端连接，从而彻底消除了网络延迟对实时控制的影响。更为惊人的是它的迁移与适配能力。得益于其先进的“运动迁移”技术，On-Device 2仅需要不到200个示例和几个小时的训练，就能快速适配一套全新的机器人硬件系统。

这意味着，无论是双臂机器人、人形机器人，还是拥有不同自由度的灵巧手，都可以在极短时间内“装上”这个AI大脑。这种跨平台的通用性，极大降低了机器人开发与部署的门槛，也为AI变现和产业化落地提供了更广阔的想象空间。

具身智能时代已来，大模型加速迈向AGI

从ChatGPT、Claude等软件层面的大语言模型，到如今能够感知物理世界并做出精细动作的Gemini Robotics 2，人工智能正在加速从“数字助理”向“物理实体”演进。谷歌DeepMind的这一套“三件套”组合拳——规划大脑ER 2、全身控制模型Robotics 2、以及端侧部署模型On-Device 2，为未来的具身智能发展提供了一个清晰的范式。

这种技术不仅能改变制造业、物流业的生产方式，也将彻底重塑家庭服务机器人的未来。随着提示词（Prompt）工程与大模型技术的不断融合，我们距离真正的通用人工智能（AGI）已经越来越近。

如果您希望了解更多关于OpenAI、ChatGPT、Claude等大模型的最新进展，或者寻找AI资讯与实用的AI工具，请访问我们的AI门户 AIGC.bar。我们将为您提供每日更新的AI新闻与深度行业解析，助您在AI时代走在前沿。