谷歌旗下DeepMind團(tuán)隊(duì)近日推出針對(duì)機(jī)器人與具身智能領(lǐng)域的Gemini Robotics 1.5系列模型，通過賦予機(jī)器人跨形態(tài)學(xué)習(xí)能力與深度推理機(jī)制，推動(dòng)其向具備自主決策能力的智能體邁進(jìn)。該系列包含Gemini Robotics 1.5與Gemini Robotics-ER 1.5兩個(gè)核心模型，分別聚焦動(dòng)作執(zhí)行與環(huán)境推理，形成協(xié)同工作的智能框架。

作為視覺-語言-動(dòng)作模型，Gemini Robotics 1.5可將視覺感知與語言指令轉(zhuǎn)化為精準(zhǔn)的機(jī)械運(yùn)動(dòng)。其升級(jí)后的版本新增"思考后行動(dòng)"能力，能在執(zhí)行前通過自然語言生成內(nèi)部推理序列。例如在垃圾分類任務(wù)中，機(jī)器人通過查閱規(guī)則并觀察物品特征，將物品準(zhǔn)確分配至堆肥、回收或垃圾容器；在行李打包場(chǎng)景中，機(jī)器人不僅完成指令要求，還主動(dòng)查詢目的地天氣并添加雨傘，展現(xiàn)多步驟任務(wù)規(guī)劃能力。

另一核心模型Gemini Robotics-ER 1.5則專注于物理世界推理，具備頂尖的空間理解與邏輯決策能力。該模型支持自然語言交互，可調(diào)用谷歌搜索等數(shù)字工具獲取實(shí)時(shí)信息，并能評(píng)估任務(wù)進(jìn)度與成功率。在協(xié)同工作中，ER 1.5負(fù)責(zé)生成分步自然語言指令，由Gemini Robotics 1.5執(zhí)行具體動(dòng)作，同時(shí)后者還能通過語言反饋反思行為，提升復(fù)雜語義任務(wù)的處理能力。

跨具身學(xué)習(xí)能力是該系列的突破性創(chuàng)新。傳統(tǒng)機(jī)器人模型需針對(duì)不同形態(tài)單獨(dú)調(diào)整，而Gemini Robotics 1.5可將單個(gè)機(jī)器人習(xí)得的技能遷移至其他形態(tài)設(shè)備。實(shí)驗(yàn)顯示，從未接觸過衣柜場(chǎng)景的Apollo機(jī)器人，通過遷移學(xué)習(xí)成功完成開門、取衣等動(dòng)作，證明模型對(duì)不同感知能力與自由度設(shè)備的泛化適配性。這種能力將加速物流、零售等領(lǐng)域機(jī)器人的研發(fā)進(jìn)程，實(shí)現(xiàn)跨場(chǎng)景知識(shí)共享。

在技術(shù)實(shí)現(xiàn)層面，兩個(gè)模型均基于Gemini核心架構(gòu)，通過針對(duì)性數(shù)據(jù)集微調(diào)優(yōu)化各自功能。學(xué)術(shù)測(cè)試表明，Gemini Robotics-ER 1.5在物體檢測(cè)、軌跡預(yù)測(cè)等基準(zhǔn)中達(dá)到領(lǐng)先水平。其支持的任務(wù)類型涵蓋狀態(tài)估計(jì)、分割掩碼生成、指向識(shí)別等復(fù)雜操作，并能實(shí)時(shí)評(píng)估任務(wù)完成度。

實(shí)際應(yīng)用場(chǎng)景中，該系列模型已展現(xiàn)出處理鏈?zhǔn)饺蝿?wù)的能力。在水果分類實(shí)驗(yàn)中，機(jī)器人通過顏色感知與環(huán)境分析完成精準(zhǔn)分揀；在洗衣分類任務(wù)中，機(jī)器人可動(dòng)態(tài)調(diào)整機(jī)械臂角度以優(yōu)化抓取效率，并對(duì)突發(fā)狀況作出即時(shí)反應(yīng)。這些案例證明，機(jī)器人正從單一指令執(zhí)行者轉(zhuǎn)變?yōu)榫邆洵h(huán)境理解與自主決策的智能體。