大模型正从语言、视觉向行动延伸。人形机器人还会现场写代码，出手解决问题。
谷歌DeepMind发布了两款新的具身智能模型，GeminiRobotics-ER与GeminiRobotics，正式宣告对物理智能的探索，从以往的RT模型系列，切换到了Gemini模型系列。用该公司高级研究科学家TedXiao的话说，这是前沿大模型与机器人的第一次接触。
无论是OpenAI、Anthropic，还是Meta，还都没有做到这一步。即使马斯克如此喜欢夸下海口，也还没让特斯拉的擎天柱用上xAI最新的Grok3。国内的DeepSeek或者Qwen，都没有直接让前沿开源大模型端到端地驱动人形机器人的记录。
遇到麻烦自己写代码
谷歌DeepMind先训练出具身推理模型GeminiRobotics-ER，基于Gemini2.0Flash模型，将多模态模型的语义理解能力扩展至物理几何（3D结构、物体位姿）、动态场景（运动轨迹、接触效应）等等，让身处复杂而动态的现实世界的具身智能，强化了推理能力。从中蒸馏出物理智能，就是GeminiRobotics，它能对现实世界做出反应。
比如，如果一个机器人遇到一个咖啡杯，GeminiRobotics可以识别出来，“指向”可以与自己互动的部分（比如把手），并识别出在拿起它时需要避开的物体。
机器人还会自己写代码去解决遇到的新问题（Zero-ShotViaCodeGeneration），就是个活生生的智能体。具体来说，就是模型接收输入，包括系统提示、机器人API的描述、任务指令以及环境的实时图像，然后基于这些输入，模型分析场景，理解任务需求，并生成与机器人API交互的代码。
这一过程是动态的，模型会根据环境变化与接触后的反馈，来调整代码，确保任务顺利完成。
（概览图：感知和控制API，以及在任务执行过程中对智能体的协调和管理。该系统用于零样本控制。）
不过，这项技术还处于早期阶段，面对折叠衣服这样的精细任务，谷歌发现，还是通过少量人类示范的上下文学习（Few-shotin-contextlearning），成功率要更高一点。
或许这就是从RT系列模型转向Gemini系列模型的意义之一。以后，可能谁家的基础模型编码能力更强，谁家的机器人就是更灵巧的智能体。
但是，完成所有这些现场智能体推理和动作，需要强大的本地算力，目前仍然是个大问题。GeminiRobotics的视觉语言动作模型主干（VLABackbone）就放到了云端，其物理世界的理解能力适用于不同形态的机器人，可以通过日常对话与人类亲切交互。
GeminiRobotics还有一个动作解码器，负责将VLA主干的输出转化为低级控制信号，部署于本地，可以完成精细动作。
人形机器人的安卓
谷歌把GeminiRobotics用于自己投资的Apptronik人形机器人开发，还开放给受信任的机器人企业使用，包括德国的AgileRobots，法国的EnchantedTools，美国的AgilityRobotics，以及被韩国现代收购的BostonDynamics。
看起来，谷歌想做出一个人形机器人的安卓系统，初步实现了适配不同机器人。
巨头们毫不怀疑，未来，人形机器人的数量将比智能手机还多。它正在走向通用化，关键就在于通用的物理智能。谷歌、特斯拉、Meta与OpenAI等巨头，对此充满野心。
特斯拉的擎天柱是垂直自研的方式。Meta已经展露出类似的企图。而OpenAI在自己投资的PhysicalIntelligence与FigureAI纷纷垂直自研后，亲自下场的可能性同样大增。
上个月，Meta旗下的RealityLabs新设立了人形机器人部门。RealityLabs最为知名的就是它的元宇宙、可穿戴设备Quest，以及AI眼镜，累计亏损超600亿美元。Meta首席技术官AndrewBosworth说，公司砸钱搞出来的核心技术，可用于开发机器人，通过Llama覆盖消费者。
去年底，OpenAI在公司内部重启了人形机器人团队，并从Meta处挖来了Orion眼镜负责人，今年已经公开开始招兵买马，点名要那些精通传感器与系统集成的硬件工程师，“专注于解锁通用机器人技术，并在动态的现实环境中推动AGI级智能”。
让前沿模型与机器人接触，可以让机器人从多模态环境的经验中汲取智能，也可以在不断尝试中摸索数字世界的智能如何触及物理世界。谷歌CEO桑达尔·皮查伊（SundarPichai）介绍新发布的两个模型时称，机器人技术是将人工智能的进步转化为现实世界的有益试验场。
难以做题评估
谷歌承认，GeminiRobotics对具身智能的探索，仍然处于非常早期的阶段。谷歌在官方介绍中，放出了制作精美的视频。但随后，团队成员通过自己的X账号，放出了几段未经删节的视频。
如何评估具身智能模型实际水平，是该团队在发布GeminiRobotics前，一直思考的问题。在去年底的一次演讲中，团队提出三大瓶颈：机器人扩展定律，机器人上下文带宽，以及可扩展的评估体系。这是具身智能当前的短板，还将影响未来几年的研究方向。其中，评估体系的发展程度最低。
机器人扩展定律的核心，听起来与大模型扩展定律类似，数据越多，规模越大，理应效果越好。但是，谷歌DeepMind团队发现，在机器人领域，目前它并不每次都成立。
面对物理世界，扩展定律更像一门艺术，而不是科学（尽管本来也并非真正的物理定律）。机器人数据的质量、分布、多样性和覆盖范围，比数据数量本身更重要，研究者需要找到机器人扩展定律的那条曲线，预测投入和产出的关系。在机器人领域，扩展往往意味着比大型语言模型更高的成本，尤其是后者的边际效应已经开始降低。
还有“上下文带宽”问题，这是指机器人能接收和理解的动作指令的信息量。多模态或世界模型存在丰富细节与物理维度，作为大模型，已经拥有越来越大的上下文窗口，但是机器人动作相关的低层次指令往往相对简单，接受的token数量相对较少、模态丰富程度较低。如何在这种低带宽的输入方式下执行更精细的动作，或拓展其上下文窗口，是具身智能亟待解决的瓶颈之一。
最大的问题是验证。这次，谷歌DeepMind团队提出了ERQA基准，即包含400道多选的视觉问答（VQA）风格问题，涵盖包括空间推理、轨迹推理、动作推理、状态估计、指向、多视角推理和任务推理。语言模型可以用考试题测试，但机器人还得在真实世界里跑来跑去，才能试出它的真实性能；受限环境下的真机测试，在开放环境下不一定管用。
状况会在机器人越来越通用后变得更为复杂，因为评估它们的能力的难度与成本也随之暴涨。很多测试费时费力，还不够全面，难以覆盖极端案例。如果评估系统跟不上，机器人再聪明，也没法证明自己行不行。
一种方法是改进模拟环境，让它更接近现实，甚至期待用“世界模型”去代替部分实测。但是，这意味着后者可能必须学会建模出比机器人基础模型更多的信息。
我们周围会充斥着大量精心编辑的书面测评与视频演示，但现实世界的表现，仍将是具身智能领域的黄金标准。
