谷歌连发三模型，把机器人调教成“全能打工人”！几小时速配、从头控到脚，还能“组团”开干

📌 一句话摘要

谷歌 DeepMind 发布 Gemini Robotics 2 三模型系统，实现机器人全身智能控制、灵巧操作、多机器人协作及端侧快速适应，推动向物理 AGI 前进。

📝 详细摘要

文章详细介绍了 Google DeepMind 在 2026 年 7 月 30 日推出的 Gemini Robotics 2 系列模型，包括视觉-语言-动作（VLA）模型、具身推理（ER）模型和端侧运行（On‑Device）模型。VLA 模型负责从脚到指尖的全身控制和双手灵巧操作；ER 模型充当机器人大脑 Agent，能进行多步骤任务规划、自我修正及多机器人协作；On‑Device 模型则在设备本地运行，仅需数小时即可适应新形态的机器人本体。文中给出了各类任务的成功率范围（全身控制 45.7%-76.3%、Franka Duo 抓取 74.2%-89.6%、多指任务 32%-92%），并介绍了安全基准 ASIMOV-Agentic 以及模型在人类接近时的停机恢复机制。文章强调这是向“物理 AGI”迈进的重要里程碑，机器人未来将能与人类并肩工作解决复杂挑战。

💡 主要观点

- Gemini Robotics 2 包含三个互补模型，分别负责全身控制、具身推理与端侧适应。 VLA 模型实现从脚到指尖的智能全身动作；ER 模型担任大脑 Agent，进行多步骤规划和多机器人协作；On‑Device 模型在设备本地运行，仅需数小时即可适应新机器人本体。

系统展示出高水平的灵巧操作和任务成功率，覆盖从基础抓取到精细五指动作。 在全身操控类别中成功率 45.7%-76.3%，Franka Duo 抓取器 74.2%-89.6%，多指任务 32%-92%，表明模型能处理从粗糙到极度精细的各种操作。

安全机制与多机器人协作被纳入设计，支持实时风险感知与任务中止。 通过 ASIMOV-Agentic 基准评估模型拒绝不安全指令及主动请求人工干预的能力；ER 模型可检测人类靠近并停机，区域无人后自主恢复，提升协作安全性。

💬 文章金句

- 未来的机器人将能与人类并肩工作，解决复杂挑战。

这是我们在迈向所谓的物理 AGI（即让机器人能够完成人类能做的任何事情）道路上的又一个里程碑。

📊 文章信息

AI 初评：82

来源：AI前线

作者：AI前线

分类：人工智能

语言：中文

阅读时间：12 分钟

字数：2845

标签： Gemini Robotics, 视觉语言动作模型, 具身推理, 多机器人协作, 端侧AI

阅读完整文章

谷歌连发三模型，把机器人调教成“全能打工人”！几小时速配、从头控到脚，还能“组团”开干

🤖 問 AI