6月28日消息，在谷歌的最新播客中，机器人在Gemini人工智能技术的加持下，未经教授就完成了一次“扣篮”动作，展现出迅速适应新场景的能力。 两天前的洛杉矶，运行着Gemini Robotics On-Device 模型的机器人还在RSS2025（机器人软件与系统大会）上完成了全球首个互动式现场展示。硅谷AI观察人士Ted Xiao表示，“它仿佛是对未来的神奇一瞥——只需与你的机器人对话，它就会做出适当的回应，并尝试执行一些合理的操作。新的物体、新的命令、新的技能。” 谷歌在X上表示，这是自己首个“视觉-语言-动作”模型，旨在能够帮助机器人更快、更高效地适应新任务和新环境。如果我们稍加回忆，今年2月底，Figure发布的“历史上最重大的人工智能更新”——Helix也是一款用于通用人形机器人控制的“视觉-语言-动作”(VLA)模型。 不同的是，由于谷歌家的这款模型独立于数据网络运行，它对延迟敏感的应用程序很有帮助，并确保了间歇性或零连接环境中的稳健性。 而作为双臂机器人的基础模型的新选手Gemini Robotics On-Device ，除了最大限度减少计算资源需求之外，主要解决3个问题：灵巧操作、新任务的微调和适应、基于本地运行的低延迟快速推理。 在接下来的测试中，这一对灵巧手完成了“放置蓝色的砖块”、“拉开中间的抽屉”和“归位‘梨’模型”的任务，显示出强大的视觉、语义和行为泛化能力，并且仅仅依赖自然语言指令——“Can you close the middle drawer”？ 首先是泛化能力，谷歌直接拉出了“当家花旦”——旗舰 Gemini Robotics 模型和 Previous Best On-Device模型进行比拼。结果上，Gemini Robotics On-Device虽然略低于旗舰产品的表现，但也超出之前最好的离线模型一大截。 早在2月Figure的相关文章中就曾提到，“与受控的工业环境不同，家里堆满了无数的物品——精致的玻璃器皿、皱巴巴的衣服、散落的玩具——每件物品都有不可预测的形状、大小、颜色和纹理。为了让机器人在家庭中发挥作用，它们需要能够按需产生智能的新行为，尤其是对它们从未见过的物体。”机器人技术上的一大难题在于，举一反一简单，举一反三并不容易。 如何处理在训练样本中从未见过的任务，直接反映了机器人对新任务的适应能力。Figure家的Helix 给出的解法是使用一组神经网络权重来学习所有行为，建立了两个可以通信的“系统 1、系统 2”来分别完成“想”和“干”，而无需任何针对特定任务的微调。 在双臂 Franka 上，该模型执行通用指令，可以处理以前未见过的物体和场景、完成折叠衣服等灵巧的任务，包括需要精确度和灵巧性的工业皮带组装任务。 在阿波罗人形机器人上同样如此，通用模型可以遵循自然语言指令，以通用的方式操控不同的物体，包括之前从未见过的物体。 在机器人/具身智能这个赛道，各家大模型正在“八仙过海”，技术向度展现出了多样性和丰富性，但最终指向了同一个命题——如何让AI在三维物理世界建立真正的因果认知。
