Google DeepMind继续在机器人技术领域引领潮流,发布了Gemini Robotics 2——一款创新的VLA模型(视觉-语言-动作),能够将文本和视觉数据直接转化为运动指令。这不仅仅是更新,而是一次质的飞跃:该系统现在覆盖了机器人全身的控制,而不仅仅是像上一版本那样只控制上半身。
从机械臂到人形机器人:毫不妥协的通用性
该模型适用于各种形态的机器人——从紧凑的桌面机械臂到全尺寸人形机器人。关键区别在于其执行复杂动作的能力:行走、下蹲、弯腰以及在有限空间内拾取物品。在演示测试中,由Gemini Robotics 2控制的Apptronik Apollo 2人形机器人自信地完成了诸如捡起喷壶或从架子上取下棒球手套等任务,展示了令人印象深刻的协调能力。
特别值得关注的是其改进的运动控制能力。该模型支持具有22个自由度的复杂机械手,为精细操作开辟了可能性:打结、封袋或拧下灯泡。这使机器人更接近人类的灵巧性,对于真实的生产和家庭场景至关重要。
ER 2:用于协调的“高层大脑”
与此同时,DeepMind还推出了升级版ER 2模型,扮演战略规划者的角色。它将多步骤任务分解为各个阶段,跟踪执行进度,并在多个机器人之间分配工作负载。在展示的一个场景中,Apollo 2协调了Google双臂机器人的动作,后者在清理车库时将工具放入容器中。这是多机器人系统中“大脑”与“身体”协同工作的生动示例。
对于重视自主性的用户,该公司提供了本地版本Gemini Robotics On-Device 2。它无需互联网连接即可运行,并且只需不到200个示例即可适应新机器人,仅需几小时即可完成学习。这使得该技术适用于专业工业应用,在这些应用中,数据安全和响应速度至关重要。
目前,Gemini Robotics 2以私人预览模式提供,ER 2通过Gemini API和Google AI Studio开放,而On-Device 2则正在由少数可信合作伙伴进行测试。显然,DeepMind正朝着创建能够融入现实经济的通用系统这一目标坚定迈进。
我的分析:此类开发标志着从实验性机器人技术向实际解决方案的转变。然而,关键挑战将不仅仅是技术实力,而是将这些系统大规模引入生产的经济可行性。在未来2-3年内,我们很可能会看到首批商业试点项目,这些技术将在真实环境中经受考验。