先动脑、后动手！Google DeepMind 发布全新机器人模型

今天刷到一个事，有点意思…Google DeepMind 又整了个新玩意儿，机器人这回不是“傻干活”，而是会先想一想再动手。对，就是那个——的节奏。

简单说，它把机器人拆成了俩角色： 一个像“大脑”，Gemini Robotics-ER 1.5（VLM），偏推理层——负责想：我到底要干啥、先后顺序咋排、要不要上网/查资料/调用外部工具； 另一个像“身体”，Gemini Robotics 1.5（VLA），偏执行层——负责看（视觉）、听（语言指令），然后把这些话转成真动作，手要伸哪、夹子怎么转、走几步…反正就它动。 我说人话：一个负责“主意”，一个负责“手脚”。嗯，这结构很顺拐。

对了，它的空间理解还挺猛，在 15 个学术基准里是 SOTA（最优性能）。这事儿为啥关键？因为现实世界超鸡肋——桌子上杯子挡住了纸巾，地上有个轮滑鞋…机器人要是空间感不行，转身就摔。现在这套模型能看懂“东西和东西之间的关系”，不光是看到一堆像素点那么简单。

我突然想起来一个官方示例（不要杠，脑补一下场景）：你说“帮我把垃圾分好类”，这玩意儿先用“脑子”去想：我们这城市的垃圾分类规则是啥——可能还会上网查一下本地标准；然后拆解步骤：找垃圾袋→识别里面的东西→逐个归类→确认没错→打包。想明白了，再把计划丢给“身体”，身体这边就开始干：打开抽屉、拿袋子、视觉识别、机械臂夹取…干完还会复盘，用自然语言解释它为啥这么做。就…有种被认真对待的感觉，挺贴心，但也有点小恐怖哈哈。

重点不是一个机器人能干多少，而是——学到的技能能“迁移”。今天教它在 A 牌机械臂上叠毛巾，明儿搬到 B 牌小车上，它不至于完全重学。这个“跨平台迁移”以前最要命：换个硬件就像换了个物种。现在呢，大脑-身体解耦之后，通用的“想法”和“步骤”能最大化复用，身体层再做点适配就行。效率上来，落地成本就能下去，这是我觉得最值钱的部分。

等等，我先说个细节…这个“身体”不是一根筋，它在动手前会“想一想”。也就是说，它不是一口气把动作吐出来，而是边看边修正：比如夹杯子的时候发现角度不对，会自己在脑子里过一遍“要不要换抓取点”。这种“先过脑→再执行→执行中再想”的闭环，才有点像我们人干活的样子，不是那种“你说一，我做一”的僵硬宏。

另外，这套东西有三个让我眼前一亮的小点（我知道我又开始碎碎念了…）：

• 复杂任务不需要你手把手教每一步，它能自己拆解，还会解释“为什么这样拆”。
• 会用自然语言把过程讲给你听。出错也不装，直接复盘。
• 能调外部工具。这个特别现实：家里装了啥传感器、仓库里有啥库存系统，它能自己去查，而不是等你来回喂信息。

不过这不是重点，重点是…我终于看到了那种“从 Demo 到能用”的缝隙在变窄。以前机器人视频都挺唬人，一剪梅就无敌；真上手不是掉东西就是卡在桌角。现在空间理解拉满、推理拆解更稳，“大脑-身体”分工清楚，感觉那些“最后 10% 的坑”被填了不少。当然我也不敢保证它上来就能做饭洗碗遛狗接孩子，别想太多，先把“稳定干活”做到头吧。

哦对，怕有人问：它到底牛到什么程度？一句话压缩包：

• 15 项空间理解基准拿了 SOTA；
• 双模型协同：Gemini Robotics-ER 1.5（推理/规划/上网/工具）+ Gemini Robotics 1.5（把视觉/语言变动作）；
• 技能可迁移到不同机器人平台；
• 动手前会“想”，动手时会“改”，动手后能“讲”。

反正就是，这次不再是“会聊天的机器人”，而是“会干活、还能讲清楚为啥这么干”的机器人。嗯，我有点小期待，也有点小紧张。要不你想一个你最想让家里机器人替你干的活？我先点名——把我那抽屉的电池、数据线和奇奇怪怪的转接头…全都整理好，拜托了

官方介绍：deepmind.google/discover/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/

-END-

我为大家打造了一份RPA教程，完全免费：songshuhezi.com/rpa.html