Google 详解 Gemini 机器人模型：从叠千纸鹤到投篮，通用具身智能来了

把一只鞋子放到桌上，让机械臂把几支笔放进鞋里；或者拿出一个从未见过的玩具篮球框和皮球，对它说一句「来个灌篮」。

机器人稍作停顿，接着第一次尝试就顺利完成了灌篮。这是 Google DeepMind 机器人家负责人 Carolina Parada 在测试自家新模型时经历的真实场景。

Google 正式公布了专为机器人打造的全新 Gemini 2.0 模型家族。Google 首席执行官 Sundar Pichai 在 X 上表示，这一里程碑为下一代机器人打下了基础。

灌篮、折纸狐狸与装午餐盒

这批新模型直接建立在 Gemini 2.0 之上，加入了机器人专有数据进行微调。在文本、视频和音频之外，它们为多模态输出增加了「物理动作」。

新系列主要包括两个核心模型。一个是 Gemini Robotics-ER，属于具身推理模型，基于 Gemini 2.0 Flash 打造。

它的长处是看懂环境和空间判断。它可以检测物体、指出具体部位、在三维空间中定位，并预测移动物体所需的运动轨迹与抓握方式，最后生成代码来执行动作。目前该模型已面向受信任的测试者和合作伙伴开放。

另一个是功能更全面的视觉-语言-动作模型 Gemini Robotics。它主攻机器人领域最头疼的灵巧度问题，能够同时处理空间推理与复杂的物理操作。

在测试中，搭载它的机械臂做出了不少令人意外的操作：做沙拉、装儿童午餐、下井字棋，甚至折出了一只折纸狐狸。Carolina Parada 提到，过去行业习惯针对单一任务反复训练机器人，而 DeepMind 选择在海量任务上进行广泛学习，最终让机器人展现出了令人惊喜的泛化能力。

此外，这些模型不仅支持科研常用的双臂 ALOHA 机器人，还能适配合作伙伴 Apptronik 开发的人形机器人 Apollo，能根据不同机体形态执行擦白板或打包便当等任务。

为什么重要

我们认为，Google 这次展示的最关键变化，是机器人正在告别过去「教会一个动作才能做一个动作」的死板模式。

以往在工厂或实验室里，哪怕只是换个稍微不一样的零件或摆放角度，机械臂往往就卡住了。Gemini Robotics 证明了大语言模型的常识推理能力一旦与物理动作打通，机器人就能理解像「灌篮」或「把笔放进鞋里」这种从未训练过的抽象指令。

对于机器人研发团队和硬件厂商来说，基于 Gemini 2.0 Flash 的推理模型开放测试，意味着大家不需要从零训练昂贵的物理世界理解底座，开发门槛会大幅降低。

不过 Carolina Parada 也承认，让机器人真正走进千家万户承担日常家务，依然还需要好几年时间。现在的折纸或装餐盒演示虽然惊艳，但实验室环境和充满杂物、动态变化的真实家庭环境完全是两码事。而且无论模型推理多么聪明，复杂的双臂协调对电机精度、延迟和硬件耐久度都提出了极高要求。看起来，这批模型更可能先在精密制造、复杂工业场景中落地，至于替你做家务的家用管家，大家还得再等等。