谷歌推出三款新模型，将机器人打造成“全能打工人”：快速适应、全身控制、团队协作

7月30日，谷歌DeepMind推出了Gemini Robotics 2，这是其AI模型系列的新版本，旨在控制各类机器人（包括人形机器人），使它们能够自主适应不可预测的环境，并对每一个动作进行推理，从而解锁清洁垃圾、拿起洒水壶等广泛任务。此次更新增加了智能全身控制、先进灵巧性和多机器人协作能力，标志着机器人技术进入新阶段。此前，Gemini Robotics系统可以驱动机器人完成封袋、折纸等精细操作，但仅限于机械臂和机械手。新模型可以在设备上运行，并在数小时内适应全新的机器人本体，将学习到的技能在不同平台上迁移。它们还能让不同的机器人协同工作，更快地完成任务。谷歌将此视为迈向物理AGI（通用人工智能）的里程碑，届时机器人可以完成人类能做的任何事情。演示视频展示了Apptronik Apollo 2人形机器人遵循指令，例如将洒水壶放在绿色盒子上，以及机器人执行将书籍放到书架上、整理板子、将磁带放入收音机等任务。该系统支持高度灵巧的五指手，例如Apollo 2上的22自由度SharpaWave手，可执行打结、封拉链袋等任务，也支持标准的两指夹爪，例如Franka Duo。谷歌报告称，在三种全身操控类别中，成功率在45.7%至76.3%之间；在三种Franka Duo夹爪类别中，成功率为74.2%至89.6%；在多指任务中，成功率在32%至92%之间。视频展示了完全自主的机器人，这与埃隆·马斯克的Optimus形成对比，据报道后者使用了远程操作员。然而，这些机器人并非通用型；每项任务都通过遥操作、视频示例和模拟进行专门训练。谷歌的方法涉及三个不同的模型：Gemini Robotics 2，这是一个视觉-语言-动作（VLA）模型，将视觉和语言输入转换为电机控制，用于全身控制；Gemini Robotics ER 2，这是一个具身推理视觉-语言模型（VLM），充当大脑代理，用于通信、规划多步骤任务和实现机器人团队协作；以及Gemini Robotics On-Device 2，这是一个VLA模型，用于本地执行，能快速适应新的机器人本体，继承自Gemini Robotics 1.5。为了确保安全，谷歌引入了ASIMOV-Agentic，这是一个用于代理安全编排和不确定性解决的基准，衡量代理拒绝不安全工具调用和预测任务完成的能力。Gemini Robotics ER 2是目前最安全的机器人模型，能够检测到人的接近并据此停止机器人。该软件运行在机器人本体上，其中许多是在中国制造的，尽管美国最近限制了中国制造的机器人。