在影視作品里，我們看過太多機器人失控的場面。一些應對方案的段子也早已爛熟于心：斷網、拔電、重啟三連，一鍵送它回爐重造。

但現在，這一套流程可能不太管用了。

今天，Google DeepMind 推出了一款全新機器人控制模型——Gemini Robotics On-Device。這款大模型能在機器人本地運行，集視覺識別、語言理解和動作執行于一體。

而它最大亮點在于，即使完全離線，它也能理解人類指令，流暢完成任務。

比起諸如 ChatGPT、Gemini 等擅長聊天、寫作、答題的大模型，Gemini Robotics On-Device 則給機器人裝上了一個真正的「大腦」，讓其也能具備類似的理解力和執行力。

它本質上是一個專為雙臂機器人打造的 VLA 基礎模型，顧名思義，Vision（視覺）+Language（語言）+Action（動作），三者結合，看得見、聽得懂、動得了，是它的基本素養。

舉例而言，你可以對機器人發出請求：「請把這件衣服疊好，再放進背包里，拉上拉鏈。」過去這需要提前編寫程序、分解動作，現在 Gemini On-Device 可以直接理解這句話的意思，然后一步一步執行下來。

那既然聯網也能跑，為什么還要費勁折騰本地運行？答案不外乎速度和穩定性。

機器人若需將數據傳至云端、等待服務器分析再返回結果，必然產生延遲。在醫療操作、災難救援、工廠自動化等任務中，延遲容錯空間幾乎為零。何況，現實中許多地方網絡條件差，甚至完全無網。

實際上，讓機器人順利應對復雜、動態的現實任務，一直是 AI 領域最難啃的骨頭之一。

從公開視頻看，Gemini On-Device 已能勝任多種常見場景，如疊衣、拉鏈、抓取陌生物體并放置到指定位置。而這一切得益于它的學習機制。

▲強大的泛化能力

它不需要從零開始進行長時間訓練，開發者僅需提供 50 至 100 次人工演示，如親自操控機器人疊衣，模型便能迅速學會并獨立操作。

在更具挑戰性的分布式任務或復雜的多步驟指令執行中，Gemini Robotics On-Device 的表現依然優于目前其他本地運行的替代方案。

而且，它的適配性也很強。

雖然 Gemini Robotics On-Device 最初在 Google 自研的 ALOHA 雙臂機器人平臺上進行訓練的 ，但稍加適配，它也能穩定運行于 Franka FR3 工業機械臂。

甚至結構迥異的人形機器人 Apollo 也能絲滑運行，同一個通用模型通過少量學習，就習慣了完全不同的身體形態。

理想情況下，開發者無需為每種新機器人重新訓練一個 AI，只需訓練一次通用模型，之后通過輕量級的遷移學習即可部署到各式各樣的機器人平臺上。這種「一模多用」的能力將有望加速機器人技術的普及和應用。

當然，理想歸理想，它也還有短板。

隨著機器人智能與自主性提升，安全要求也隨之提高。Gemini On-Device 雖然能執行動作，但它并不能合理判斷你給的任務是否安全，因此，必須為模型加裝「安全栓」。

DeepMind 給出的建議是，開發者可以給模型接入 Google Gemini Live API 接口，讓系統先判斷這個指令合不合理，再決定是否執行；同時在動作層面設置物理限制，如力度、角度、速度，以防意外。

模型多步驟邏輯規劃能力仍有提升空間。

像做三明治、整理桌面這這類需要先后邏輯、順序安排的操作，目前還不在它的舒適區。這和它所基于的 Gemini 2.0 架構有關，未來隨著升級到 2.5，這部分能力可能也會補齊。

另一個現實挑戰，是數據。

雖然它只需幾十次演示就能上手，但最理想的示范，是由真人實際操控機器人時采集的真實數據，而不是虛擬模擬。這類數據訓練出來的效果，更快、更準，也更穩定。

據項目負責人 Carolina Parada 介紹，這是 Google 首次發布完全脫離云端運行的機器人 AI 模型，也是首個供開發者根據自身需求進行微調的版本。

目前，DeepMind 向「可信測試者」開放了 Gemini Robotics On-Device 的 SDK 和模型訪問權限。如果你是做機器人開發、工業自動化，或智能系統研究的開發者，現在就可以申請試用。