Google Gemini Robotics 模型正在助力打造更智能的机器人

几十年来，机器人一直象征着未来，出现在研究实验室、科幻电影和行业原型展示会上。如今，得益于近期人工智能（AI）的进展，这些原型正从受控环境走向现实应用。

具体来说，借助 Gemini Robotics，Google 正朝着构建更智能的机器人所需的技术迈进一步。Gemini Robotics 模型及其配套模型 Gemini Robotics-ER（具身推理）于 2025 年 3 月 12 日发布，是 Google DeepMind 的最新创新成果。

这些模型基于 Gemini 2.0 构建。Gemini 2.0 是一种多模态大型语言模型（LLM），可以处理和生成多种类型的数据，包括文本、图像、音频和视频，从而实现更加灵活、自然的交互。这些模型将 Gemini 2.0 的多模态能力带入物理世界，使机器人更加灵巧、善于交互且智能。

例如，与遵循固定指令的传统机器人不同，集成 Gemini Robotics 模型的机器人可以处理视觉和语言信息。因此，它们能够实时做出决策，并适应不断变化的环境。

本文将介绍 Gemini Robotics 和 Gemini Robotics-ER、这些模型的工作方式，以及它们的主要功能和应用。

图 1. Gemini Robotics 帮助机器人高效执行多项任务。

Google Gemini Robotics 简介#

Google 的 Gemini Robotics 是一种先进的 AI 模型，旨在赋予机器人感知、推理和与物理世界交互的能力。作为视觉-语言-动作（VLA）模型，它能让机器人处理指令、理解周围环境，并高精度地执行复杂任务。

与此同时，Gemini Robotics-ER 模型增强了机器人对空间关系的理解能力，包括物体的位置、运动方式和相互作用。这有助于机器人预判动作并相应地调整自身运动。

例如，设想一项任务：机器人需要将电线缠绕在耳机上。Gemini Robotics-ER 会帮助机器人理解场景、识别电线的形状和柔韧性、辨认耳机的结构，并预测电线移动时的弯曲方式。随后，Gemini Robotics 会将这些理解转化为动作，协调双手平稳地操作电线，调整抓握方式以避免缠绕，并确保电线牢固地绕好。

Gemini Robotics 和 Gemini Robotics-ER 将感知与行动相结合，构建出一个智能系统，让机器人能够在动态环境中高效完成灵巧的任务。

图 2. Gemini Robotics 模型系列概览。

机器人领域的 AI：探索 Gemini Robotics 的工作原理#

接下来，我们仔细了解每个模型，以便更好地理解 Gemini Robotics 和 Gemini Robotics-ER 如何协同工作，在灵活性与快速执行之间取得平衡。

一方面，Gemini Robotics-ER 利用两种关键机制：零样本代码生成和少样本上下文学习（ICL）。借助零样本代码生成，模型可以根据任务指令、图像和实时数据创建代码来控制机器人，无需额外训练。

同样，借助少样本学习，模型只需从少量示例中学习，就能适应新任务，从而减少大量训练的需求。这些方法结合起来，让机器人能够快速执行复杂任务，并以极少的额外投入应对新的挑战。

另一方面，Gemini Robotics 专为速度和效率而构建。它采用混合系统，由基于云端的主干模型和机载动作解码器组成。基于云端的主干模型能够快速处理信息，查询到响应的延迟低于 160 毫秒。

随后，机载解码器会将这些数据转化为实时动作。这个组合系统的总体响应时间约为 250 毫秒，控制速度为每秒 50 个动作。

图 3. 了解 Gemini Robotics 如何支持机器人实时控制。

Gemini Robotics 的主要能力#

下面快速了解 Gemini Robotics 的主要特性：

• 通用性：它能够适应光照、背景和物体的变化，同时保持准确性。它还能理解改述后的指令或多语言指令，并根据不同条件调整动作。
• 交互性：该模型能够处理各种自然语言指令，并做出直观回应。它还会根据环境的实时变化调整动作，因此非常适合人机协作。
• 灵巧性：由该模型驱动的机器人可以执行复杂、精确的任务，例如折纸或处理易碎物品。无论是分步骤的流程还是快速操作，该模型都能帮助机器人高效完成。
• 多种具身形态：它只需少量微调，就能适用于各种机器人平台，例如双臂系统和人形机器人。它可以快速适应新任务，同时保持高性能。

图 4。Google Gemini Robotics 可在各种机器人平台上运行。

Gemini Robotics-ER 的主要能力#

以下是 Gemini Robotics-ER 的一些主要特性，它们能帮助机器人理解世界并与之交互：

• 目标检测与跟踪：它可用于识别并跟踪二维和三维空间中的物体。通过使用自然语言查询，它能帮助机器人查找物体并预测物体的位置，无论依据的是类型、位置还是功能。
• 指点：这项功能允许模型使用精确坐标，在图像中定位特定物体或部位。它可以帮助机器人定位完整物体、物体的某个部位，甚至空白区域。
• 抓取预测：Gemini Robotics-ER 可根据物体的形状和功能，确定最佳抓取方式。它可以预测抓取位置，无论对象是香蕉还是杯子的把手，从而让机器人能够小心地处理物品。
• 轨迹推理：模型可通过预测一系列动作来规划运动路径。例如，它可以引导机器人手部移向工具，或为特定任务设定路径点，帮助机器人高效完成任务。
• 多视角对应：这项功能通过比较物体从不同角度看起来的样子，帮助模型理解三维结构。它可以增强空间推理能力，让机器人在动态环境中更好地与物体交互。

图 5. Gemini Robotics-ER 可执行各种任务。

对于根据类别名称进行 2D 目标检测的任务，较新的 Gemini 模型（例如 Gemini 4 Argon）会与其他视觉语言模型在 Ultralytics VLM Leaderboard 上进行比较。

Google Gemini Robotics 模型的应用#

现在，我们已经讨论了 Gemini Robotics 和 Gemini Robotics-ER 的主要能力，接下来看看它们在各行各业的实际应用。

Google Gemini Robotics 在制造业中的应用#

在制造业中，精度和速度固然重要，但适应能力才是真正让一切顺畅运行的关键。例如，由 Gemini 驱动的工业机器人可以组装滑轮系统：识别合适的零部件，将它们放到正确位置，并以精准的力度处理有弹性的橡皮筋。

它可以拉伸橡皮筋，将其绕在滑轮上，并将其固定到位，同时避免断裂或错位。如果装置发生变化或任务有所不同，机器人无需大量重新编程就能适应。这种智能自动化能够减少错误、提高效率，并确保制造流程顺畅运行。

图 6. 双臂工业机器人将橡皮筋精准套在滑轮系统上。

Gemini Robotics 助力打造智能家居#

繁忙的日程可能让人难以应付家务。智能机器人可以帮忙完成清洁、整理食品杂货，甚至准备饭菜等任务，让日常生活更加轻松。

例如，机器人可以打包午餐袋，仔细挑选并放入食物，同时调整抓握力度，以保护水果或罐头等易损物品。即使摆放方式发生变化，机器人也能自主适应，在几乎不需要监督的情况下减轻日常家务负担。

图 7。人形机器人正在仔细打包午餐袋。

使用 Gemini Robotics 的优缺点#

Gemini Robotics 正在拓展机器人的能力，从精密制造到智能家居辅助皆是如此。以下是 Gemini Robotics 在各种应用中的一些主要优势：

• 最低训练要求：与传统机器人不同，由 Gemini Robotics 驱动的机器人只需通过少量演示即可学习，从而降低训练成本，也更容易部署。
• 安全性增强：在危险环境中，集成 Gemini Robotics 的机器人可以执行危险任务，降低人类工人受伤的风险。
• 可定制特性：Gemini Robotics 的灵活性意味着它可以根据不同行业或企业的特定需求进行定制，从而支持专业化应用和独特解决方案。

Gemini Robotics 有多项优势，但也需要注意以下局限：

• 空间关系方面的挑战：这些模型可能难以在较长的视频序列中持续跟踪空间关系，从而影响它们跟踪和理解物体随时间变化的能力。
• 数值精度不足：模型的预测（例如点和边界框）可能不够精确，无法满足精细控制任务的要求，例如精细的机器人操作。
• 复杂任务：Gemini Robotics 可能难以处理需要多步推理和精确动作的复杂任务，尤其是在新颖或陌生的情境中。

机器人领域 AI 的未来#

随着 AI 不断进步，Gemini Robotics 和 Gemini Robotics-ER 等模型正推动机器人技术的未来。未来的改进很可能会侧重于增强多步推理能力，让机器人将任务拆分为逻辑步骤，从而提升精度。

Google DeepMind 计划推进的另一个关键领域是基于仿真的训练。机器人可以先在虚拟环境中学习，再部署到现实世界，以此完善决策和动作，尽量减少实际应用中的错误。

随着这些技术不断发展，它们可能为未来铺平道路，让机器人变得更加自主、适应性更强，并能够在日常生活中与人类协同工作。

要点#

Gemini Robotics 是 AI 驱动自动化领域的一大进步，它将数字智能与现实世界中的物理任务连接起来。通过结合视觉、语言和基于动作的学习，这些机器人能够精准、灵活地处理复杂任务。

随着机器人变得越来越智能，它们很可能会在日常生活中发挥更大的作用，改变人类与机器协作的方式。这一进步正让我们更接近一个智能、互联程度更高的世界，在那里，AI 驱动的自动化将提升各行各业和日常任务的效率。

加入不断壮大的社区！访问我们的 GitHub 仓库，深入了解 AI。想要启动自己的计算机视觉项目？了解我们的许可选项。在我们的解决方案页面进一步了解制造业中的 AI和汽车行业中的视觉 AI！