谷歌DeepMind公布了新一代人工智能驱动的Gemini Robotics平台。在2.5版本中，谷歌表示其机器人AI在完成现实世界任务方面正日益接近人类水平。事实上，部分Gemini机器人已经能够在梅赛德斯-奔驰工厂中完成实际工作，团队也正在为机器人与人类协同作业的未来做准备，为此推出了一项开源安全基准。
DeepMind的物理AI平台在用户输入与机器人动作之间设有多个计算层。其一是视觉语言模型部分，即Gemini Embodied Reasoning。它本质上是接收用户指令，并结合实时视频规划机器人完成任务的方式。另一个主要组件是视觉-语言-动作模型（VLA），负责实际生成机器人动作，比如驱动执行器运动——这就是已升级至2.5版本的Gemini Robotics。
DeepMind表示，Gemini Robotics 2.5在需要高度灵巧性的任务上表现大幅提升。该模型在超过200项活动中接受了评估，包括用夹子夹取食物，以及像在实验室中那样使用移液管。谷歌还展示了搭载Gemini Robotics 2.5的Apptronik公司Apollo 2人形机器人，如今能用五指灵巧手打出蝴蝶结，这是一项值得关注的成就，因为像丝带这样的可变形物体历来是机器人操控的难点。
总体而言，Gemini Robotics 2.5相比上一版本的成功率提高了30%至100%，速度也快了20%至30%。不过这些数据均基于实验室测试。谷歌与Apptronik和梅赛德斯-奔驰合作，测试这一AI在机器人实验室之外的真实不确定环境中的表现。搭载Gemini技术的Apollo 2机器人在欧洲多家工厂中执行汽车零部件配套任务，成功率达到了96%。
相较于以往的机器人AI系统，这一表现令人印象深刻，但对梅赛德斯-奔驰这样的企业来说可能仍然不够。人类完成这类重复性任务几乎总能做到万无一失，DeepMind负责人Kanishka Rao指出，要弥补这最后4%的差距将是一条“艰难的道路”。
人们原本可以通过手动编程，让机器人在工厂中无误地完成少数几项任务——这种自动化形式已经存在了数十年。但Gemini Robotics并不满足于只做几件事情。这些机器人的目标是成为能够应对几乎任何任务的通用机器人，然而这种方式也存在取舍。
“我们可以在某个特定应用上做得非常出色，但代价是牺牲泛化能力，”DeepMind机器人团队负责人Carolina Parada说道。“或者我们也可以着重提升泛化能力这条轴线，但可能无法在每个具体应用上都达到99.9%的精度。”
Argon的助力
训练数据对于所有生成式AI模型的训练都至关重要。现存的大多数基于文本的聊天机器人几乎都是用整个公开互联网的数据训练而成的，但机器人AI并没有那么多“物理数据”可用。对机器人而言，最优质的训练数据来自遥操作，但团队表示，Gemini 4 Argon帮助构建了一个“仿真引擎”，极大加速了Gemini Robotics 2.5的研发进程。
团队利用Argon基于真实世界的摄像头数据，生成了成千上万种练习场景的变体。这些“数字孪生”场景显然让Gemini Robotics 2.5能够更快地泛化到新任务和新环境中。不过，真实数据仍然发挥着重要作用。DeepMind将这些合成数据与传统的训练演示相结合，以确保模型具备扎实基础。
Argon还被用于分析失败案例，并针对模拟环境和真实机器人提出改进建议。不过，这一过程并非实时进行。像Gemini这样的前沿模型在处理Token时需要一定时间，但机器人需要能够在没有长时间停顿的情况下运行。新版VLA的速度也并非飞快。尽管谷歌已经在实验一些嵌入式机器人模型，目前的2.5版本仍运行在云端服务器上。因此，尽管在准确性和速度上都有所提升，延迟问题依然存在。上文视频经过2倍加速处理，以使机器人动作看起来更接近人类的自然状态。
