Full text · 原文
2,267 字
henry 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
刚刚，Google DeepMind发布了最新的机器人推理模型——<br>
Gemini Robotics-ER 1.6。<br>
搭载它的波士顿动力机器狗Spot，现在能走到工厂里的压力表前，停下来，读出数字。精确到刻度以下。<br>
机械臂面对操作任务时，也能判断什么时候开始，什么时候算完成。<br>
说起来，这已经是Gemini Robotics主打空间推理的第三代模型。<br>
九年前谷歌把波士顿动力卖掉，今年CES刚宣布重新合作，ER 1.6就是这次新开始的第一个正式成果。<br>
掌门人哈萨比斯也是第一时间转发了。<br>
ER 1.6的定位是机器人的高层大脑，不直接控制机械动作，而是负责理解环境、制定计划、调用工具——<br>
谷歌搜索、VLA、或者开发者自己定义的任何函数，都可以直接调用。<br>
相比上一代ER 1.5和Gemini 3.0 Flash，新模型在空间推理、物体计数、任务成功检测上均有显著提升。<br>
还多了一个全新能力，读仪表。<br>
Gemini Robotics-ER 1.6<br>
在技术博客中，Laura Graesser和Peng Xu两位作者开篇写道：<br>
机器人要真正有用，就必须不只是执行指令，而是要对物理世界进行推理。<br>
ER 1.6的核心升级围绕一件事，让机器人真正「看懂」它所处的环境。<br>
仪表识别<br>
先看Spot在工厂里做的那件事。<br>
工业设施里有大量仪器需要持续监控，温度计、压力表、化学视镜。以前Spot能走过去拍一张照片，但看不懂上面的数字。<br>
ER 1.6让这件事变了。<br>
模型读仪表分三步。先放大，把小刻度看清楚；再用Pointing定位指针和刻度，结合代码计算比例；最后调用世界知识，把数字解释成有意义的读数。<br>
这套组合的效果，ER 1.5的仪表识别成功率是23%，加上Agentic Vision之后，ER 1.6达到了93%。<br>
波士顿动力Spot副总裁Marco da Silva表示：<br>
仪表识别等能力和更可靠的任务推理，将使Spot能够完全自主地观察、理解并应对现实世界的挑战。<br>
Pointing，空间推理的基石<br>
仪表识别能做到这一步，背后是Pointing能力的支撑。<br>
Pointing是ER模型从初代就在练的基本功。简单说，就是让模型用「点」来表达它对空间的理解，哪里有什么，有几个，怎么移动，抓哪里最合适。<br>
ER 1.5在这一任务上表现不佳：给它一张工具图，它数错了锤子数量，漏掉了剪刀，还把图里根本不存在的手推车给「指」了出来。<br>
ER 1.6则能把这些全部答对，锤子2把、剪刀1把、画笔1支、钳子6把，一个不差。更关键的是，对于图里没有的东西，它知道不去指。<br>
成功检测，知道什么时候停<br>
ER 1.6还有一个升级，成功检测。<br>
知道任务何时结束，和知道如何开始，同样是自主性的核心。<br>
以前的系统，做完一个动作就算完了。但真实场景里有遮挡、有光线变化、有模糊指令，「做完了」这件事本身就需要判断。<br>
ER 1.6强化了多视角推理，机器人通常有多个摄像头，头顶一个、手腕一个，系统需要把这些视角合并成一个连贯的判断。<br>
比如开头的那个demo：把蓝色笔放进黑色笔筒，任务完成了吗？<br>
ER 1.6能从多个角度的画面里，给出一个可靠的答案。<br>
顺带一提，这也是谷歌迄今最安全的机器人模型。<br>
在对抗性空间推理任务里，ER 1.6对安全指令的遵循程度优于所有前代版本。<br>
不处理液体、不搬运超过20公斤的物体，这类物理安全约束，ER 1.6能通过Pointing等空间输出做出更准确的判断。<br>
在基于真实伤害报告的安全隐患识别测试里，ER系列比Gemini 3.0 Flash高出6%（文字场景）和10%（视频场景）。<br>
谷歌与波士顿动力<br>
看到Spot，你可能会好奇，为啥谷歌要用波士顿动力的狗？<br>
事情是这样的：<br>
谷歌2013年收购波士顿动力，2017年卖给软银，理由是看不到商业闭环。<br>
2020年现代汽车以8.8亿美元接盘。然后2025年11月，波士顿动力的前CTO Aaron Saunders离职，加入了谷歌DeepMind。<br>
2026年1月CES，两家在现代汽车的发布会上宣布正式合作，目标是把Gemini Robotics部署到Atlas人形机器人上。<br>
卖出去九年，又回来了。<br>
哈萨比斯的说法是，谷歌不做硬件，要成为「机器人领域的Android」，给所有机器人厂商提供大脑。<br>
这次ER 1.6发布，署名了两位作者，Laura Graesser和Peng Xu。<br>
Laura Graesser是牛津本科、NYU硕士出身，2018年加入Google，2023年至今在DeepMind做机器人研究，还合著过一本强化学习教科书《Foundations of Deep Reinforcement Learning》。<br>
她早期的研究方向之一，是让机器人打乒乓球，系统需要在100毫秒内完成感知、计算和击球动作。<br>
Peng Xu是DeepMind机器人基础模型方向的研究员，专注机器人学习与大模型的结合，不仅参与过上面的机器人打乒乓球，也是RT-1、RT-2、Cap（Code as policy）、Gemini robotics等一系列著名工作的作者之一。<br>
参考链接<br>
[1]https://deepmind.google/blog/gemini-robotics-er-1-6/<br>
[2]https://deepmind.google/models/gemini-robotics/gemini-robotics/