Boston Dynamics 演示 Spot 捡鞋收纳：接上 Gemini，说人话就能做家务

原本在工厂和电厂里忍受泥水与高温的巡检机器狗，现在被拉进普通住宅里收拾客厅了。

Boston Dynamics 发布了一段演示：给四足机器人 Spot 接上 Google 的视觉语言模型 Gemini Robotics-ER 1.5，让它在住宅里把散落的鞋子放回收纳架，顺手把地上的空易拉罐扔进垃圾桶。工程师没有给它手写几十页的状态机代码，而是直接写了一张白板清单，机器狗自己看着办。

把大模型当成拿平板的操作员

这场演示其实脱胎于 Boston Dynamics 在 2025 年举办的一场内部黑客松。过去要让 Spot 在未知的家庭环境里干活，工程师必须编写死板的逻辑树，一旦环境稍有变化，流程就卡死了。

这次他们换了个思路。工程师利用 Spot 的 SDK 搭建了一层轻量工具中间件，把机器人原有的能力打包成基础工具，比如移动、拍照、识别物体、抓取和放下。Gemini Robotics 并不直接操纵电机的底层电流，而是作为一个高阶决策大脑。

说白了，大模型在系统里的角色，就像一个坐在沙发上拿着平板电脑遥控 Spot 的熟练操作员。人类发出「把门口的鞋子收好」这种自然语言指令，Gemini 会替人类调用摄像头，在图像里框出鞋子，然后向机器狗发送抓取指令。机器狗原有的底层控制算法则负责稳步走过去、保持平衡并精准夹起物体。

调教这个「AI 操作员」也有技巧。工程师发现，光说「拍张照」不够明确，必须在提示词里告诉它：到达目标点后，先用机械臂上的夹爪摄像头拍，因为它的视野信息最丰富；如果要往高处放东西，就别用机身前置摄像头，因为底盘太低根本拍不到台面。

给聪明的大脑套上安全绳

更有意思的是 Spot 与大模型之间的实时对话机制。当 Gemini 调用一个工具时，工具会返回执行结果。比如机械臂手里正攥着鞋，模型又想去抓别的，系统就会返回「手里已经拿满了」，Gemini 随即在下一轮推理中调整动作序列，先去放好鞋再回头。

但这套系统并没有让 AI 信马由缰。Gemini 能做的事情被严格限制在工程师封装的有限 API 范围内，它不能随意发明新指令，更不能越界控制硬件。Spot 成熟的避障、导航和运动底盘依然是底线防线，保证了整套动作既聪明又安全。

除了这次概念演示，Boston Dynamics 也透露了落地进展：他们已经在 Spot 和云端管理平台 Orbit 上推出了全新的 AIVI-Learning 功能，底层则升级到了更新的 Gemini Robotics ER 1.6，用来做工业级的视觉巡检。

为什么重要

我们认为，这项演示最值得玩味的地方，在于它给整个机器人行业指了一条务实的捷径。

过去几年，机器人圈子一直在争论到底是端到端大模型更强，还是传统的经典控制更可靠。端到端模型虽然惊艳，但往往像个黑盒，不可控且极其昂贵；传统经典控制稳定安全，却对复杂的现实生活缺乏应变能力。Boston Dynamics 现在的做法非常讨巧：不推倒重来，而是让视觉大模型做上层语义理解和任务编排，下层依然保留自己打磨了十几年的硬核运动控制。

对开发者和企业客户来说，这意味着开发复杂机器人任务的门槛被大幅拉低。以前编写一套抓取搬运逻辑可能需要数周的代码调试，现在只要通过清晰的自然语言提示词和几个工具接口，就能让机器人快速适应新场景。

不过，我们也要看到它的局限。这依然是一次受控环境下的实验性展示，离真正的家用保姆还有很长的路要走。单次工具调用依赖云端视觉多模态模型的来回通信，延迟和网络依赖都是绕不开的问题。但在工业巡检和特定非标场景下，这种「大模型动脑、老底盘动手」的混合架构，看起来是目前离商业落地最近的一条路。