在人工智能領域，聊天機器人如Gemini和ChatGPT常被視作數字世界的交互先鋒，然而，生成式AI正悄然在實體機器人技術中扮演核心角色。近期，谷歌DeepMind宣布推出全新設備端VLA（視覺語言動作）模型，專為機器人控制設計，這一版本實現了完全的本地自主運行，無需云端支持。

據谷歌DeepMind機器人部門主管Carolina Parada介紹，這款AI機器人技術能顯著提升機器人在復雜環境中的可靠性，是谷歌首個面向開發者調優的機器人模型版本。Parada強調，機器人不僅存在于物理世界，還需與環境互動，這對AI提出了獨特挑戰。傳統強化學習方法在訓練機器人動作時效率低下，而生成式AI則展現出更強的泛化能力。

這款VLA模型利用了Gemini的多模態理解能力，使其不僅能執行文本生成、詩歌創作、文章總結等任務，還能編寫代碼、生成圖像，更重要的是，它能生成機器人的動作指令。Parada解釋說：“Gemini的多功能性讓它成為了一個全能的助手。”

與此前依賴云端輔助的Gemini Robotics版本相比，新設備端模型在性能上僅略有遜色，但在實際應用中已足夠強大。許多任務無需調整即可直接使用。開發者在與這些機器人互動時發現，它們在理解新情境方面展現出了驚人的能力。為了鼓勵開發者進一步探索，谷歌提供了完整的SDK，使研究者僅需50至100次演示就能讓VLA適應新任務。

在AI機器人技術中，“演示”意味著通過遠程操作機器人完成任務，以此調優模型。雖然合成數據在訓練過程中占有重要地位，但真實數據對于最復雜、最精細的行為仍是不可或缺的。Parada指出：“對于最精細的動作，我們仍然需要真實數據。”不過，仿真技術也在這一過程中發揮了重要作用。

盡管設備端VLA模型在處理簡單動作，如系鞋帶或折疊衣物時表現出色，但對于更復雜的多步驟任務，如制作三明治，它可能需要更強大的模型來支持。然而，對于云連接不穩定或隱私敏感的環境，如醫療設施，這款設備端模型尤為適用。

安全性始終是AI系統，尤其是實體機器人的一大關注點。為確保Gemini Robotics的行為安全，谷歌采用了多層次的安全機制。Parada解釋說，系統首先通過Gemini Robotics連接到能夠推理安全行為的模型，然后與生成動作選項的VLA對話，最終由低級控制器執行動作，這些控制器通常包含安全關鍵組件，如力量限制和速度控制。

雖然新的設備端模型本身不包含完整的安全機制，但谷歌建議開發者遵循Gemini團隊的做法，將系統連接到包含安全層的Gemini Live API，并實施低級控制器進行關鍵安全檢查。有興趣測試Gemini Robotics設備端版本的開發者，可以申請加入谷歌的可信測試計劃。

在過去三年里，機器人技術取得了顯著進展，而此次發布的Gemini Robotics僅是基于Gemini 2.0的版本。Parada透露，Gemini Robotics團隊通常落后于Gemini開發一個版本，而Gemini 2.5在聊天機器人功能方面已有大幅提升，未來機器人技術或許也將迎來類似飛躍。