由 Google Gemini AI 模型驅動的機器人，能力現已大幅提升。隨著 Gemini Robotics 2 的首次亮相，這些實體機器人現在能完成更複雜的任務、持續分析不斷變化的環境，並與其他機器人協作。這歸功於三款新的子模型，其中一款已於今日起開放開發者使用。
多年來，機器人奔跑、跳舞和後空翻的影片一直是網路上的熱門內容，但這些機器人都是被程式設計來執行這些非常狹窄的任務。Gemini Robotics 的目標是創造一種通用型機器人，能夠完成人類所能做的任何事情。Google DeepMind 的科學家有時稱之為「實體 AGI」。
本質上，你告訴機器人要做什麼，它就會去執行。透過 2.0 版本的發布，Google 表示其機器人 AI 能夠控制整個仿人機器人，即使是擁有複雜仿人手的機器，也能展現出更高的靈巧度。
這始於 Gemini Robotics ER 2，這是一個升級版的「具身推理」（embodied reasoning）模型，DeepMind 聲稱它比之前的 1.6 版本有了顯著的飛躍。它已整合到 Gemini Live API 中，讓開發者有機會體驗這項據稱的進步。
Gemini Robotics ER 2 是一種視覺語言模型（VLM），旨在理解指令及其周圍的世界。這次的主要升級在於 ER 2 能夠處理來自機器人攝影機的即時影像串流，讓系統在機器人從一個步驟緩慢移動到下一個步驟時追蹤進度。Google 指出，Gemini Robotics ER 2 能夠以近 60% 的準確度分類影片影格的完整性。
這雖然還遠非完美，但已比 1.6 版本或競爭對手 AI 模型在視覺理解方面的表現要好得多。
在影片串流中找到特定時刻也是正確完成任務的關鍵。當你要求機器人倒一杯咖啡時，你肯定希望它知道何時停止倒水。ER 2 顯然在這方面做得更好，能以近 90% 的準確度識別關鍵時刻。當機器人執行多步驟任務時，具身推理模型讓它們能夠即時理解失敗。然後系統可以再次嘗試該單一步驟，而不是從頭開始。例如，如果機器人試圖撿起的球滾走了，或者有人移動了容器，機器人可以重新調整其手部位置和動作。
新的具身推理版本也賦予了 Google DeepMind 升級後的機器人 AI 協作能力。影片演示展示了 Apptronik 的 Apollo 2 和較簡單的 Franka F3 Duo 在執行任務時能夠協同工作，而不會互相妨礙。儘管測試機器人仍無法與人類的速度或優雅相媲美，但影片演示包含了大量機器人實際運作的即時畫面，它們看起來確實比過去的測試中更不猶豫。
理解只是第一步——讓機器人在物理世界中移動是另一個模型的職責。在規劃好任務後，視覺語言模型會將任務交給一個升級版的視覺-語言-動作模型，簡稱為 Gemini Robotics 2。這個 AI 模型會根據指令生成機器人動作，就像其他生成式系統創造文字或圖像一樣。此外，還有一個低延遲的離線版本，稱為 Gemini Robotics On-Device 2。這些模型目前僅限於一小部分測試人員使用。
Google 表示，新的動作模型更加準確和高效。即使是較小的裝置端版本，也只需數小時的運動數據（約 200 個範例），就能適應新的機器人設計。
AI 幻覺的問題目前已眾所周知，但當 AI 擁有實體並與人類共享空間時，錯誤可能造成的潛在危害會大得多。在每次發布 Gemini Robotics 時，Google DeepMind 都強調他們認真對待這項風險。根據 DeepMind 的說法，Gemini Robotics 的每一層都包含「傳統的物理安全措施與強大的 AI 安全框架」。
隨著 Gemini Robotics 2 的發布，引入了一個名為 ASIMOV-Agentic 的新安全基準。這項測試會評估模型在各種安全因素上的表現。它能評估具身推理代理是否會拒絕來自 VLA 的不安全工具呼叫。它還可以判斷給定任務是否能安全完成，以及模型在不確定安全性時是否能呼叫人類協助。
Google DeepMind 指出，Gemini Robotics ER 2 是該團隊迄今為止最安全的模型，展現出強大的安全理解能力，並能在人類過於接近機器人時停止動作。Google 的新安全基準已完整發布於 Hugging Face 上。