Boston Dynamics 演示 Spot 撿鞋收納：接上 Gemini，說人話就能做家務

原本在工廠和電廠裡忍受泥水與高溫的巡檢機器狗，現在被拉進普通住宅裡收拾客廳了。

Boston Dynamics 釋出了一段演示：給四足機器人 Spot 接上 Google 的視覺語言模型 Gemini Robotics-ER 1.5，讓它在住宅裡把散落的鞋子放回收納架，順手把地上的空易拉罐扔進垃圾桶。工程師沒有給它手寫幾十頁的狀態機程式碼，而是直接寫了一張白板清單，機器狗自己看著辦。

把大模型當成拿平板的操作員

這場演示其實脫胎於 Boston Dynamics 在 2025 年舉辦的一場內部駭客松。過去要讓 Spot 在未知的家庭環境裡幹活，工程師必須編寫死板的邏輯樹，一旦環境稍有變化，流程就卡死了。

這次他們換了個思路。工程師利用 Spot 的 SDK 搭建了一層輕量工具中介軟體，把機器人原有的能力打包成基礎工具，比如移動、拍照、識別物體、抓取和放下。Gemini Robotics 並不直接操縱電機的底層電流，而是作為一個高階決策大腦。

說白了，大模型在系統裡的角色，就像一個坐在沙發上拿著平板電腦遙控 Spot 的熟練操作員。人類發出「把門口的鞋子收好」這種自然語言指令，Gemini 會替人類呼叫攝像頭，在影像裡框出鞋子，然後向機器狗傳送抓取指令。機器狗原有的底層控制演算法則負責穩步走過去、保持平衡並精準夾起物體。

調教這個「AI 操作員」也有技巧。工程師發現，光說「拍張照」不夠明確，必須在提示詞裡告訴它：到達目標點後，先用機械臂上的夾爪攝像頭拍，因為它的視野資訊最豐富；如果要往高處放東西，就別用機身前置攝像頭，因為底盤太低根本拍不到檯面。

給聰明的大腦套上安全繩

更有意思的是 Spot 與大模型之間的即時對話機制。當 Gemini 呼叫一個工具時，工具會返回執行結果。比如機械臂手裡正攥著鞋，模型又想去抓別的，系統就會返回「手裡已經拿滿了」，Gemini 隨即在下一輪推理中調整動作序列，先去放好鞋再回頭。

但這套系統並沒有讓 AI 信馬由韁。Gemini 能做的事情被嚴格限制在工程師封裝的有限 API 範圍內，它不能隨意發明新指令，更不能越界控制硬體。Spot 成熟的避障、導航和運動底盤依然是底線防線，保證了整套動作既聰明又安全。

除了這次概念演示，Boston Dynamics 也透露了落地進展：他們已經在 Spot 和雲端管理平臺 Orbit 上推出了全新的 AIVI-Learning 功能，底層則升級到了更新的 Gemini Robotics ER 1.6，用來做工業級的視覺巡檢。

為什麼重要

我們認為，這項演示最值得玩味的地方，在於它給整個機器人行業指了一條務實的捷徑。

過去幾年，機器人圈子一直在爭論到底是端到端大模型更強，還是傳統的經典控制更可靠。端到端模型雖然驚豔，但往往像個黑盒，不可控且極其昂貴；傳統經典控制穩定安全，卻對複雜的現實生活缺乏應變能力。Boston Dynamics 現在的做法非常討巧：不推倒重來，而是讓視覺大模型做上層語義理解和任務編排，下層依然保留自己打磨了十幾年的硬核運動控制。

對開發者和企業客戶來說，這意味著開發複雜機器人任務的門檻被大幅拉低。以前編寫一套抓取搬運邏輯可能需要數週的程式碼除錯，現在只要通過清晰的自然語言提示詞和幾個工具介面，就能讓機器人快速適應新場景。

不過，我們也要看到它的侷限。這依然是一次受控環境下的實驗性展示，離真正的家用保姆還有很長的路要走。單次工具呼叫依賴雲端視覺多模態模型的來回通訊，延遲和網路依賴都是繞不開的問題。但在工業巡檢和特定非標場景下，這種「大模型動腦、老底盤動手」的混合架構，看起來是目前離商業落地最近的一條路。