谷歌DeepMind刚刚发布的Gemini Robotics项目展示了两个协同工作的全新模型，首次实现了能够在行动前进行"思考"的机器人系统。这一突破可能彻底改变当前机器人只能执行特定任务的局限性。

生成式AI技术在文本、图像、音频和视频创作领域已经变得司空见惯，而现在同样的技术正在被应用于输出机器人动作指令。DeepMind团队认为，生成式AI对机器人技术具有独特重要性，因为它能够解锁通用功能特性。

当前机器人面临的核心问题是过度专业化。每个机器人都需要针对特定任务进行密集训练，在执行其他任务时表现糟糕。谷歌DeepMind机器人部门负责人Carolina Parada指出:"今天的机器人高度定制化且部署困难，通常需要数月时间才能安装一个只能执行单一任务的机器人单元。"

生成式系统的基础特性让AI驱动的机器人变得更加通用。它们可以面对全新的环境和工作空间，无需重新编程就能适应。DeepMind当前的机器人技术方法依赖于两个模型的协作：一个负责思考，一个负责执行。

这两个新模型分别命名为Gemini Robotics1.5和Gemini Robotics-ER1.5。前者是视觉-语言-动作模型，能够使用视觉和文本数据生成机器人动作指令。后者中的"ER"代表具身推理，这是一个视觉-语言模型，接收视觉和文本输入后生成完成复杂任务所需的步骤。

Gemini Robotics-ER1.5是首个具备模拟推理能力的机器人AI系统，类似于现代文本聊天机器人的推理过程。DeepMind称其为"思考"能力，尽管在生成式AI领域这个术语可能并不完全准确。据DeepMind介绍，ER模型在学术和内部基准测试中都取得了顶级成绩，表明它能够对如何与物理空间交互做出准确决策。但它本身不执行任何动作，这就需要Gemini Robotics1.5的配合。

以分拣洗衣物为例:当需要机器人将一堆衣物分成白色和彩色两类时，Gemini Robotics-ER1.5会处理这个请求并分析物理环境的图像。这个AI系统还能调用谷歌搜索等工具收集更多数据。然后ER模型生成自然语言指令，为机器人提供完成任务所需遵循的具体步骤。

这种双模型架构的创新之处在于将推理和执行分离。推理模型专注于理解任务需求和环境状况，制定详细的行动计划;执行模型则负责将这些计划转化为具体的机器人动作。这种分工协作的方式让机器人系统既具备了复杂的思考能力，又保持了精确的执行效率。