近期，谷歌在人工智能领域的一项新进展引起了广泛关注。在一则最新播客节目中，一款搭载了Gemini人工智能技术的『机器人』️，在没有事先教导的情况下，成功完成了一次“扣篮”动作，展现了其迅速适应新环境的能力。
这一壮举紧随其在洛杉矶RSS2025（『机器人』️软件与系统大会）上的全球首次互动式现场展示。会上，运行着Gemini Robotics On-Device模型的『机器人』️吸引了众多目光。硅谷AI领域的观察者Ted Xiao对此评论道：“这仿佛是对未来的一次神奇预览——只需与『机器人』️进行对话，它就能做出恰当的回应，并尝试执行一系列合理的操作，无论是面对新的物体、命令还是技能。”
Gemini Robotics On-Device模型于6月24日正式发布，这一创新将AI引入了『机器人』️领域，且整个过程中无需持续依赖『互联网』连接，实现了离线工作。谷歌在X部门强调，这是他们首个“视觉-语言-动作”模型，旨在帮助『机器人』️更快、更高效地适应各种新任务和新环境。
回顾今年早些时候，Figure公司发布的“历史上最重大的人工智能更新”——Helix，同样是一款专注于通用人形『机器人』️控制的“视觉-语言-动作”(VLA)模型。然而，与Figure的模型不同，谷歌的这款模型能够独立于数据网络运行，这对于对延迟敏感的应用尤为关键，确保了即使在间歇性或无网络连接的环境中也能稳定运行。
事实上，早在今年3月，谷歌就已推出了第一代VLA（视觉语言动作）模型Gemini Robotics，将Gemini 2.0的多模态推理和现实世界理解能力引入物理世界。而此次发布的Gemini Robotics On-Device模型，作为双臂『机器人』️的基础模型，除了极大地减少了计算资源需求外，还主要解决了三个核心问题：灵巧操作、新任务的快速适应以及基于本地运行的低延迟推理。
在官方演示视频中，一对灵巧的机械手不仅能够轻松拿起一支笔，还能相互配合拔掉笔盖。随后的测试中，这对机械手成功完成了“放置蓝色砖块”、“拉开中间抽屉”以及“归位‘梨’模型”等任务，仅凭自然语言指令如“Can you close the middle drawer？”（你能关上中间的抽屉吗？）就展现出了强大的视觉、语义和行为泛化能力。
除了演示之外，Gemini Robotics On-Device模型在基础跑分数据上也表现出色。在泛化能力方面，尽管略低于谷歌旗舰Gemini Robotics模型的表现，但仍远超之前最好的离线模型。在分布式任务和复杂多步骤指令方面，该模型也优于其他设备端替代方案。
面对家中无数形状、大小、颜色和纹理各异的物品，『机器人』️需要能够按需产生智能的新行为，尤其是对于那些从未见过的物体。『机器人』️技术的一大挑战在于，举一反三并非易事。而Gemini Robotics On-Device模型通过50到100次演示即可快速适应新任务，展现了其强大的新任务适应能力。
谷歌还展示了这一性能在实际应用中的效果，将其调整并应用到了双臂Franka FR3『机器人』️和Apptronik的Apollo人形『机器人』️上。在Franka『机器人』️上，该模型能够执行通用指令，处理以前未见过的物体和场景，完成包括折叠衣服在内的灵巧任务，以及需要精确度和灵巧性的工业皮带组装任务。在Apollo人形『机器人』️上，通用模型同样能够遵循自然语言指令，以通用的方式操控不同的物体，包括之前从未见过的物体。
这一系列创新引发了网友的热烈讨论。有人认为，谷歌的脱机AI『机器人』️具有改变游戏规则的可能性。然而，也有人提出质疑，询问这与特斯拉『机器人』️的设计有何不同，以及与ylecun在meta所做的工作有何差异。在『机器人』️/具身智能这一赛道上，各家大模型正展现出多样性和丰富性的技术向度，共同指向同一个核心命题——如何让AI在三维物理世界中建立真正的因果认知。
