两款新Gemini机器人AI问世，谷歌这次突破了什么？

在一个普通的家庭厨房中，主人摆放了一些水果：一串葡萄、一根香蕉，以及几个小碟子。然后，他对旁边的机器人说：“把香蕉放进透明容器里。”不可思议的事情发生了，机器人正确识别出香蕉和透明容器，并立刻执行了任务，这种场景是不是很难想象？

其实，它已经成为现实。

Gemini 2.0：解锁机器人新能力

早在2023年底，谷歌发布了Gemini 2.0模型。

Gemini 2.0不只是传统意义上的AI模型，它能够处理多模态任务，这让人们看到了机器人可以拥有大脑的可能性。

谷歌DeepMind的CEO Demis Hassabis曾表示，这种多模态能力可能会解锁全新的机器人能力，而现在，这一承诺正在被兑现。

当地时间3月12日，谷歌DeepMind推出了两款基于Gemini 2.0的新型机器人AI模型：Gemini Robotics和Gemini Robotics-ER。

Kanishka Rao, 谷歌DeepMind机器人研究主管提到机器人领域一个长期的痛点：机器人在面对陌生场景时无能为力。

而Gemini 2.0的突破性就在于它不需要为每个具体任务进行编程，可直接理解和执行自然语言指令。

突破性进展：从命令到动作

想象一下，你让家里的机器人把香蕉放进透明容器里，它不仅能识别这两个物体，还能在你随意移动容器后继续完成任务。

这不再是停留在电影中的奇幻场景。

在演示中，研究人员给机器人展示小型玩具篮球和篮网，并指示“灌篮”，虽然机器人从未接触过这些物体，但它仍然理解并完成了任务。

在操作过程中，尽管动作看起来稍显笨拙且缓慢，但能够实时适应并理解自然语言命令已经是非常重要的进步。

试想一下，如果你无需再为每个家务活编写复杂的代码，只需一句简单的口头命令，那么生活将变得多么便利。

核心优势：通用性、交互性和灵巧性

Gemini Robotics的核心优势可归纳为三个关键点，它们共同组成了下一代实用机器人的基础。

首先是通用性。

传统机器人只能在预设的场景中表现良好，但一旦遇到新情况就会卡壳。

Gemini Robotics不一样，它能够处理全新、训练中从未遇到过的任务。

谷歌DeepMind的报告显示，该模型在综合泛化能力基准测试中，表现比当前最先进的视觉-语言-动作模型高出两倍多。

接着是交互性。

Gemini Robotics不仅具备语言理解能力，还能对日常会话式语言指令作出响应，甚至可以使用多种语言交流。

它能够持续监测周围环境，检测变化并实时调整行动。

这对现实世界，充满不确定性的工作环境尤为重要。

最后是灵巧性。

每天我们都在做看似简单的动作：系鞋带、整理杂货，可对机器人来说却是巨大挑战。

Gemini Robotics展示出强大的精细动作控制能力，它能够处理复杂多步骤任务，比如折纸或将零食放入密封袋。

安全至上：应对AI扩展的挑战

随着AI技术逐渐进入物理世界，安全问题变得尤为重要。

谷歌DeepMind表示，他们采取分层、整体的方法解决研究中的安全问题，包括从低级电机控制到高级语义理解的各个层面。

Gemini Robotics-ER不仅提高了原有模型的指向和3D检测能力，还能够增强空间理解。

这个模型能够控制各种类型的机器人，不止停留在特定平台上。

例如，它主要在ALOHA 2双臂机器人平台上训练，但也能控制基于Franka机械臂的双臂平台。

为了解决现实中可能遇到的安全问题，谷歌发布了一个以著名科幻作家艾萨克·阿西莫夫命名的新数据集ASIMOV，用于评估和改进具身AI和机器人的语义安全。

这个数据集包含各种情境，需要机器人判断某个行为是否安全。

Gemini 2.0不仅理解身体行为的危险性，还能根据规则进行自我批评和调整。

在实际应用中，这意味着机器人能够识别并避免对人类或环境可能造成伤害的行为。

走进厨房，看着家里忙碌的机器人，不禁让人思考，科技的发展到底能给我们生活带来多大变化？

这些机器人不仅仅是冰冷的机器，当它们开始理解我们的语言，甚至与我们对话时，那将是另一个全新的世界。

机器人和人类的共存，不再只是科幻电影中的一幕，而是真正开始走进我们的生活。

Gemini Robotics的出现让我们看到了未来的无限可能。

或许不久之后，机器人将在更多领域发挥它们的作用，甚至成为我们日常生活的一部分。

正是这些一点一滴的进步，不断推动技术的界限，让我们的生活变得更加美好。

或许，在不远的将来，每一个家庭都有一个理解你的机器人伙伴，每一个工作场景都有一双智能的机械手臂默默地协助你。

技术的发展，让我们充满期待。