在人工智能领域，聊天机器人如Gemini和ChatGPT常被视作数字世界的交互先锋，然而，生成式AI正悄然在实体机器人技术中扮演核心角色。近期，谷歌DeepMind宣布推出全新设备端VLA（视觉语言动作）模型，专为机器人控制设计，这一版本实现了完全的本地自主运行，无需云端支持。
据谷歌DeepMind机器人部门主管Carolina Parada介绍，这款AI机器人技术能显著提升机器人在复杂环境中的可靠性，是谷歌首个面向开发者调优的机器人模型版本。Parada强调，机器人不仅存在于物理世界，还需与环境互动，这对AI提出了独特挑战。传统强化学习方法在训练机器人动作时效率低下，而生成式AI则展现出更强的泛化能力。
这款VLA模型利用了Gemini的多模态理解能力，使其不仅能执行文本生成、诗歌创作、文章总结等任务，还能编写代码、生成图像，更重要的是，它能生成机器人的动作指令。Parada解释说：“Gemini的多功能性让它成为了一个全能的助手。”
与此前依赖云端辅助的Gemini Robotics版本相比，新设备端模型在性能上仅略有逊色，但在实际应用中已足够强大。许多任务无需调整即可直接使用。开发者在与这些机器人互动时发现，它们在理解新情境方面展现出了惊人的能力。为了鼓励开发者进一步探索，谷歌提供了完整的SDK，使研究者仅需50至100次演示就能让VLA适应新任务。
在AI机器人技术中，“演示”意味着通过远程操作机器人完成任务，以此调优模型。虽然合成数据在训练过程中占有重要地位，但真实数据对于最复杂、最精细的行为仍是不可或缺的。Parada指出：“对于最精细的动作，我们仍然需要真实数据。”不过，仿真技术也在这一过程中发挥了重要作用。
尽管设备端VLA模型在处理简单动作，如系鞋带或折叠衣物时表现出色，但对于更复杂的多步骤任务，如制作三明治，它可能需要更强大的模型来支持。然而，对于云连接不稳定或隐私敏感的环境，如医疗设施，这款设备端模型尤为适用。
安全性始终是AI系统，尤其是实体机器人的一大关注点。为确保Gemini Robotics的行为安全，谷歌采用了多层次的安全机制。Parada解释说，系统首先通过Gemini Robotics连接到能够推理安全行为的模型，然后与生成动作选项的VLA对话，最终由低级控制器执行动作，这些控制器通常包含安全关键组件，如力量限制和速度控制。
虽然新的设备端模型本身不包含完整的安全机制，但谷歌建议开发者遵循Gemini团队的做法，将系统连接到包含安全层的Gemini Live API，并实施低级控制器进行关键安全检查。有兴趣测试Gemini Robotics设备端版本的开发者，可以申请加入谷歌的可信测试计划。
在过去三年里，机器人技术取得了显著进展，而此次发布的Gemini Robotics仅是基于Gemini 2.0的版本。Parada透露，Gemini Robotics团队通常落后于Gemini开发一个版本，而Gemini 2.5在聊天机器人功能方面已有大幅提升，未来机器人技术或许也将迎来类似飞跃。
