标题:Google DeepMind推出Gemini Robotics 1.5，让机器人能够思考後再行动 来源:iknow科技产业资讯室 原文网址:https://pse.is/86wr55 原文: 基本上，能够创建文字、影像、音讯甚至视讯的生成式AI系统正变得日益普及。AI模型能 够输出这些资料类型，它们也可以用来输出机器人的动作。这正是Google DeepMind之 Gemini Robotics的基础。 如今该计画宣布了两个新模型，它们可以协同工作，创造出首批在行动前「思考」的机器 人。 Google DeepMind所推出了两款全新AI模型：Gemini Robotics 1.5 和 Gemini Robotics-ER 1.5，旨在让机器人能够自行规划、理解和执行复杂任务。这两款模型都将 多模态感知、语言处理、运动控制与内部决策系统结合。 DeepMind 目前的机器人技术依赖两种模型：一种是「思考」模型，另一种是「行动」。 Gemini Robotics 1.5是视觉-语言-动作（VLA）模型，这意味着它使用视觉和文字资料来 产生机器人动作。另一个模型中的「ER」代表具身推理 (embodied reasoning)。这是一 个视觉-语言模型 (VLM)，它接受视觉和文字输入来产生完成复杂任务所需的步骤。 第一个模型Gemini Robotics 1.5将这些规划转化为实际行动。与先前的VLA不同，此模型 先推理後行动：它会建立内部逻辑链，规划中间步骤，分解复杂任务，并解释其决策。例 如，在将衣物分类时，模型会识别目标（例如「将浅色衣物放入白色垃圾桶」），然後规 划抓取动作并执行。 至於Gemini Robotics-ER 1.5 是机器人的高阶「大脑」。它负责任务规划，使用谷歌搜 寻等数位工具，以自然语言进行交流，并监控进度和成功率。根据Google DeepMind 称， 该模型在 15 项具身推理基准测试上取得了最佳结果。 这两种模型都可以将其能力推广到不同类型的机器人。谷歌表示，ALOHA 2 机器人学习到 的运动模式也可以在Apptronik 的 Apollo 或双臂 Franka 机器人等平台上运行，无需额 外微调。 这些模型包含内建安全检查功能。在执行操作之前，Gemini Robotics 1.5 会检查移动是 否安全，并在需要时触发防撞等功能。 这两种型号都基於更广泛的 Gemini 多模态系列，并针对机器人技术进行了专门调整。 Gemini Robotics-ER 1.5 现已透过 Google AI Studio 中的 Gemini API 提供，目前仅 限部分合作夥伴使用。 总之，有别於传统依赖单一资料和特定平台的训练方式，Gemini Robotics 1.5系列模型 使机器人能够跨平台迁移技能，并在复杂环境中展现出类人适应性，拓展了机器人模型的 通用性。这也成为众多厂商建构机器人模型的目标之一。 过去机器人往往只能依循固定程式，在既定框架下完成单调任务，如今藉由具身推理与跨 平台学习，它们不仅能理解环境、规划多步骤任务，甚至能把一种硬体的经验快速转移到 另一种机器人身上，这意味着未来的机器学习将不再是耗时的重复过程，而是一种「即学 即用」的演化模式。心得: --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 203.145.192.245 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Tech_Job/M.1759211752.A.DBF.html