机器人技术正迎来一场颠覆性的革命。谷歌DeepMind最新发布的Gemini Robotics项目，通过两个协同工作的创新模型，首次实现了机器人行动前的”思考”能力，这一突破可能彻底打破当前机器人仅能执行特定任务的局限。生成式AI技术已在文本、图像、音频和视频创作领域广泛应用，如今正被应用于生成机器人动作指令。DeepMind团队认为，生成式AI对机器人技术具有特殊意义，因为它能解锁通用功能特性。
当前机器人面临的核心困境是过度专业化。每个机器人都需要针对特定任务进行密集训练，在执行其他任务时表现不佳。谷歌DeepMind机器人部门负责人Carolina Parada指出：”当今的机器人高度定制化且部署困难，通常需要数月时间才能安装一个只能执行单一任务的机器人单元。”生成式系统的基本特性使AI驱动的机器人更具通用性。它们能够应对全新环境和工作空间，无需重新编程即可适应。
DeepMind当前的机器人技术采用双模型协作方法：一个负责思考，一个负责执行。这两个新模型分别命名为Gemini Robotics1.5和Gemini Robotics-ER1.5。前者是视觉-语言-动作模型，能利用视觉和文本数据生成机器人动作指令；后者中的”ER”代表具身推理，是一个视觉-语言模型，接收视觉和文本输入后生成完成复杂任务所需的步骤。Gemini Robotics-ER1.5是首个具备模拟推理能力的机器人AI系统，其推理过程类似于现代文本聊天机器人。
DeepMind称其为”思考”能力，尽管在生成式AI领域这个术语可能并不完全精确。据DeepMind介绍，ER模型在学术和内部基准测试中都取得顶尖成绩，表明它能够对如何与物理空间交互做出准确决策。但它本身不执行任何动作，这就需要Gemini Robotics1.5的配合。以分拣衣物为例：当需要机器人将一堆衣物分成白色和彩色两类时，Gemini Robotics-ER1.5会处理这个请求并分析物理环境的图像。这个AI系统还能调用谷歌搜索等工具收集更多数据。然后ER模型生成自然语言指令，为机器人提供完成任务所需遵循的具体步骤。
这种双模型架构的创新之处在于将推理和执行分离。推理模型专注于理解任务需求和环境状况，制定详细的行动计划；执行模型则负责将这些计划转化为具体的机器人动作。这种分工协作的方式使机器人系统既具备复杂的思考能力，又保持精确的执行效率。
从技术发展趋势来看，这一突破可能标志着机器人技术从专用化向通用化的重要转折点。传统机器人需要针对每个新任务进行大量训练和调试，而具备生成式AI能力的机器人理论上可以通过自然语言指令快速适应新的工作场景。当然，这项技术仍处于早期阶段，实际部署中可能面临各种挑战。机器人在复杂真实环境中的表现、安全性保障、成本控制等问题都需要进一步解决。但DeepMind的这一尝试无疑为机器人技术的未来发展指明了一个极具前景的方向。随着AI技术的持续进步，我们可能即将见证机器人从单一任务执行者转变为真正的智能助手的历史性时刻。