谷歌拍了拍Figure说，“起来卷”

摘要：在谷歌的最新播客中，机器人在Gemini人工智能技术的加持下，未经教授就完成了一次“扣篮”动作，展现出迅速适应新场景的能力。

出品｜虎嗅科技组

作者｜余杨

编辑｜苗正卿

头图｜视觉中国

6月28日消息，在谷歌的最新播客中，机器人在Gemini人工智能技术的加持下，未经教授就完成了一次“扣篮”动作，展现出迅速适应新场景的能力。

两天前的洛杉矶，运行着Gemini Robotics On-Device 模型的机器人还在RSS2025（机器人软件与系统大会）上完成了全球首个互动式现场展示。硅谷AI观察人士Ted Xiao表示，“它仿佛是对未来的神奇一瞥——只需与你的机器人对话，它就会做出适当的回应，并尝试执行一些合理的操作。新的物体、新的命令、新的技能。”

谷歌Gemini Robotics On-Device 模型发布于6月24日，AI 被引入了机器人，在整个过程中不需要持续的互联网连接，机器人实现了脱机工作。

谷歌在X上表示，这是自己首个“视觉-语言-动作”模型，旨在能够帮助机器人更快、更高效地适应新任务和新环境。如果我们稍加回忆，今年2月底，Figure发布的“历史上最重大的人工智能更新”——Helix也是一款用于通用人形机器人控制的“视觉-语言-动作”(VLA) 模型。

不同的是，由于谷歌家的这款模型独立于数据网络运行，它对延迟敏感的应用程序很有帮助，并确保了间歇性或零连接环境中的稳健性。

事实上，早在今年3月，谷歌就推出了第一代VLA（视觉语言动作）模型Gemini Robotics，将Gemini 2.0的多模态推理和现实世界理解带入物理世界。

而作为双臂机器人的基础模型的新选手Gemini Robotics On-Device ，除了最大限度减少计算资源需求之外，主要解决3个问题：灵巧操作、新任务的微调和适应、基于本地运行的低延迟快速推理。

官方演示视频中，这一对灵巧手不仅可以拿起一支笔，还可以相互配合拔掉笔盖。

在接下来的测试中，这一对灵巧手完成了“放置蓝色的砖块”、“拉开中间的抽屉”和“归位‘梨’模型”的任务，显示出强大的视觉、语义和行为泛化能力，并且仅仅依赖自然语言指令——“Can you close the middle drawer”？

演示之外，基础跑分数据上，Gemini Robotics On-Device也有不俗的表现。

首先是泛化能力，谷歌直接拉出了“当家花旦”——旗舰 Gemini Robotics 模型和 Previous Best On-Device模型进行比拼。结果上，Gemini Robotics On-Device虽然略低于旗舰产品的表现，但也超出之前最好的离线模型一大截。

而在分布式任务和复杂的多步骤指令方面，Gemini Robotics On-Device 模型的表现也优于其他设备端替代方案。

早在2月Figure的相关文章中就曾提到，“与受控的工业环境不同，家里堆满了无数的物品——精致的玻璃器皿、皱巴巴的衣服、散落的玩具——每件物品都有不可预测的形状、大小、颜色和纹理。为了让机器人在家庭中发挥作用，它们需要能够按需产生智能的新行为，尤其是对它们从未见过的物体。”机器人技术上的一大难题在于，举一反一简单，举一反三并不容易。

如何处理在训练样本中从未见过的任务，直接反映了机器人对新任务的适应能力。Figure家的Helix 给出的解法是使用一组神经网络权重来学习所有行为，建立了两个可以通信的“系统 1、系统 2”来分别完成“想”和“干”，而无需任何针对特定任务的微调。

而Gemini Robotics On-Device 给开发者提供了微调的选择，通过50 到 100 次演示即可快速适应新任务。微调任务的跑分如下：