我們如何建立新的雙子座機器人技術模型

當 Google DeepMind 為其關於新款 Gemini 2.0 機器人專用模型的最新公告做準備時，機器人部門負責人卡羅琳娜·帕拉達（Carolina Parada）召集她的團隊，對技術進行最後一次檢查。

他們挑戰了一台雙臂 ALOHA 機器人——你知道的，那些研究人員愛用的靈活金屬手臂，擁有眾多關節和鉗狀手的機器人——讓它執行從未做過的任務，處理從未見過的物體。「我們隨機丟東西給它，比如把我的鞋子放在桌上，然後要求它把一些筆放進去，」卡羅琳娜回憶道。「機器人停頓了一秒鐘以理解指令，然後就去執行了。」

接下來，他們找到了一個玩具籃球框和球，挑戰機器人進行「灌籃」。卡羅琳娜看著它完美完成時，忍不住露出驕傲的笑容。

卡羅琳娜說，看著灌籃的瞬間真是個「哇」的時刻。

「我們一直在訓練模型，幫助機器人完成特定任務並理解自然語言，但這次？這真是個遊戲規則的改變者，」卡羅琳娜解釋道。「這台機器人完全沒有籃球或這個特定玩具的經驗。然而，它理解了『將球灌籃』這個複雜概念，並順利完成了。第一次就成功。」

這台多功能機器人由 Gemini Robotics 模型驅動，該模型是專為機器人設計的新一批多模態模型的一部分。這些模型通過針對機器人的特定數據進行微調，增強了 Gemini 2.0，將物理動作與 Gemini 通常的多模態輸出（如文本、視頻和音頻）相結合。「這一里程碑為下一波機器人應用奠定了基礎，」Google 首席執行官桑達爾·皮查伊（Sundar Pichai）在 X 上揭曉新模型時說道。

Gemini Robotics 模型極其多功能、互動性強且通用，使機器人能夠在無需額外訓練的情況下應對新物體、環境和指令。這是一個重大突破，考慮到團隊的目標。

「我們的目標是創造具身 AI，驅動機器人幫助完成現實世界中的日常任務，」卡羅琳娜說，她對機器人的熱情源自小時候看的科幻卡通以及對自動化家務的夢想。「未來，機器人將成為我們與 AI 互動的另一種方式，就像我們的手機或電腦一樣——成為我們世界中的物理代理。」

為了讓機器人安全且高效地完成工作，它們需要兩項關鍵能力：理解與決策，以及行動能力。Gemini Robotics-ER，一種基於 Gemini 2.0 Flash 的「具身推理」模型，專注於前者。它能辨識環境中的元素，評估它們的大小和位置，預測移動它們所需的路徑和抓取方式，然後生成執行動作的代碼。我們現在正將此模型推廣給受信任的測試者和合作夥伴。

Google DeepMind 還推出了 Gemini Robotics，這是其頂級視覺-語言-動作模型，讓機器人能夠分析場景、與用戶互動並採取行動。它在機器人學家頭痛的領域——靈巧性——取得了巨大進展。「對我們人類來說是第二天性的事情，對機器人來說卻很困難，」卡羅琳娜指出。「靈巧性涉及空間推理和複雜的物理操作。在測試中，Gemini Robotics 為靈巧性設定了新基準，以流暢的動作和令人印象深刻的完成時間處理複雜的多步驟任務。」

Gemini Robotics-ER 在具身推理方面表現出色，擅長物體檢測、指向物體的特定部分、尋找匹配點以及 3D 物體檢測。

在 Gemini Robotics 的帶領下，機器人已經製作了沙拉、打包了孩子們的午餐、玩了井字遊戲，甚至還製作了一隻摺紙狐狸。

讓模型準備好應對廣泛的任務並非易事——主要是因為這違背了傳統上為單一特定任務訓練模型直到完美的做法。「我們選擇了廣泛任務學習，用大量任務訓練模型，」卡羅琳娜說。「我們認為，經過一段時間後，它們會開始泛化，我們的判斷是正確的。」

這兩款模型都能適應不同的具身形式，從研究型機器人如雙臂 ALOHA 到我們的合作夥伴 Apptronik 開發的人形機器人 Apollo。

這些模型能夠適應不同的形式，執行諸如打包午餐盒或擦拭白板等任務，適用於各種機器人身體。

這種適應性對於機器人可能承擔多種角色的未來至關重要。

「使用這些高度通用且能力強大的模型的機器人潛力巨大且令人興奮，」卡羅琳娜說。「它們在複雜、需要精確且非為人類設計的空間的行業中可能非常有幫助。它們還能讓以人為中心的空間，如我們的家，生活更輕鬆。這還有很長的路要走，但這些模型正在推動我們前進。」

看起來，家務的幫助可能即將到來——終有一天。