從桌面到全身：Gemini Robotics 2 究竟改變了什麼

專欄概述

7 月 30 日，Google DeepMind 發表了最新一代的 Gemini Robotics，而報導這則新聞最簡單的方式就是寫下「Google 的機器人現在可以使用全身了」。這句話沒錯，但這也是你能寫出關於此事最乏味的句子。更有用的問題是：為什麼過去每一代的通用機器人模型——包含 Google 自家的——都只停留在腰部以上？而在底層究竟需要做出什麼改變，才能突破那條界線？答案並非更大的模型，而是一套不同的理論：機器人究竟需要多少個模型，才能表現得像一個協調一致的整體。

桌面天花板與企圖心無關

先前版本的 Gemini Robotics 在物件操作方面確實表現出色：撿起物品、旋轉它、將它精準放置在某處，甚至在物品滑落時即時調整抓取方式。但它們未被設計來做到的，是在同一時間判斷是否該向左走三步，或在伸手前先蹲下。移動與操作實際上是發生在同一個機器人身上的兩個不同問題。這不是 Google 缺乏想像力——而是當你僅用桌面示範資料來訓練策略時必然發生的結果。機械手臂學會在固定基座前方的有限空間內表現得極度出色。若要求它在手臂進行精細動作的同時，還得管理平衡、足部落點和重心位置，你等於是交給它一個訓練資料中從未包含的協調問題。

為什麼全身協調無法單純相加

直覺上的假設是：如果一個模型能走路，另一個模型能抓取，將兩者結合主要只是工程實作問題。但事實並非如此，因為走路與抓取會競爭同一項資源：機器人的重心位置，以及它在摔倒前還有多少容許誤差。一個伸手拿取低層架物品的人形機器人必須彎曲膝蓋、將臀部向後移，並保持軀幹足夠穩定，讓手不會伸過頭——同時，無論它撿起的是什麼，都在主動改變它正在維持平衡的重量分布。這不是兩個平行的技能，而是兩者之間一場持續不斷的協商，每秒更新數十次。Google 自己對「全身智慧」的描述——以協調的方式推理出走路、蹲下、伸展和操作所需的每一個動作——實際上等於承認，過去將導航堆疊與操作堆疊縫合在一起的做法根本行不通。你需要的是一個將整個動作序列視為單一決策的系統，而不是兩個互不了解對方在做什麼的系統之間的交接。

三模型才是真正的設計宣言

比示範影片更具說服力的是，Google 並未推出一個更大的模型來解決這個問題。它推出了三個模型，各自負責其他模型在結構上無法勝任的工作。Gemini Robotics 2 是視覺-語言-動作模型，將機器人看見與聽見的內容轉化為實際的馬達指令，從腳到指尖——這是必須快速且貼近硬體執行的層級。Gemini Robotics ER 2 位於其上，作為具身推理層：這是一個視覺-語言模型，負責規劃長達數分鐘的多步驟任務，協調不同機器人之間的交接，而且——值得注意的是——它提升了對附近人類的偵測能力，這是一項偽裝成功能升級的安全特性。接著是 Gemini Robotics On-Device 2，這是一個為完全在無網路連線下執行而打造的壓縮版本，也是帶有最令人驚訝數據的模型：它可以在數小時內適應新的雙臂機器人機體，通常只需不到 200 個範例。

將其視為一個堆疊來解讀，這等於 Google 承認，沒有單一模型能同時成為快速反射、長期規劃者和具備離線能力的通用模型——這是三個互相權衡的不同工程限制，假裝一個模型能滿足這三者，只會導致最終的系統慢到無法作為反射，又僵化到無法進行規劃。端側模型僅需數百個範例的適應窗口，可以說是整個發表中最具商業意義的部分，因為這決定了「我們打造了一台機器人」與「我們打造出讓機器人公司能直接部署在自家硬體上、無需數月重新訓練的東西」之間的差別。

跨平台布局

Google 的合作對象進一步印證了這一點：Apptronik 的 Apollo 2、Franka 的雙臂 Duo、Boston Dynamics、Agile Robots，以及 Dexmate、SO101 和 Trossen。如果你打算打造終極的機器人機體，你不會組建這樣的合作夥伴名單。如果你打算成為無論誰的硬體勝出都能在其底層執行的智慧層，你才會組建這份名單——這與 Google 將 Android 相對於手機製造商的定位如出一轍，只是應用於一個尚未出現明確硬體贏家的市場。Apollo 2 走過房間、找到澆水壺，並將它放在下層架子上正確顏色分類的垃圾桶裡，這段示範是個精彩的表演，但多機器人交接——Apollo 2 和 Franka F3 Duo 透過對任務內容的共享語意理解來分工——才是真正支持跨平台論點的部分。如果兩台來自不同製造商的機器人能透過共享的推理層協調，而不是依賴客製化的整合程式碼，那才是 Google 真正在販售的產品。

成功率究竟告訴了你什麼

現在來談談不該輕描淡寫帶過的部分。Google 自己公布的數據顯示，全身操作的成功率因任務而異，介於 45.7% 到 76.3% 之間；基於夾爪的精密任務（如插入）最高達到約 89.6%；而多指靈巧操作則在 32% 到 92% 之間。對於研究示範來說，這些數字並不難堪，但它們也不是量產可靠度的數字——這兩者同時為真。隱藏在數字底下的模式，比任何單一數據更具參考價值：當任務在機械上簡單且可重複時（例如夾爪插入插銷），精密度通常能維持得很好；但當任務需要多根手指協調應對一個機器人未曾見過足夠次數其幾何形狀的物體時，表現就會崩潰。在同一個廣泛任務類別上出現 32% 到 92% 的落差，意味著該模型目前的能力高度依賴特定任務，並非「全身智慧」這個包裝可能會讓只看標題的人以為的那種通用能力。對於如此新穎的系統來說，這是一個正常的發展階段。這也正是為什麼 Google 公布的是基準範圍，而非單一自信數字——這是一份附上憑證的能力展示，而非宣稱這些機器人已準備好無人監管地在倉庫中運作。

這裡究竟改變了什麼

總結這次發表最實在的說法是，Google 並未解決具身機器人技術——沒有人做到——但它確實解決了一個特定的架構問題：如何將「下一步該發生什麼」、「我該多精準地移動我的手」以及「這能在不連回伺服器的情況下執行嗎」拆分給三個模型，而不是強迫單一模型在這三者上都表現平庸。無論未來幾次發表的成功率數字如何變動，這部分很可能都會站得住腳。桌面天花板從來不是關於更好的抓取能力，而是關於過去從未打造出一個將移動與操作視為同一決策的系統。這是它們首次成為同一決策的版本，而基準範圍的落差，正是這項創舉尚處於初期階段的真實代價。