Google DeepMind推出Gemini Robotics 2,具身智能模型能否走进生活场景?

具身智能新突破:Gemini Robotics On-Device,让机器人拥有“本地大脑” 谷歌DeepMind重磅发布Gemini Robotics On-Device,首个可在机器人上本地运行的视觉-语言-动作(VLA)模型,赋予机器人强大的自主学习与适应能力,开启具身智能新纪元。本文深入探讨其技术优势、应用场景及对未来机器人发展的影响。 阅读详情

WAIC2026:人形机器人成人礼

前段时间,雷科技WAIC2026报道团亲赴现场,观察了这场全球AI大展,看到一场规模空前的人形机器人成人礼。超过200家机器人相关企业、300多台真机同台竞技,从宇树三米高的载人变形机甲切换形态,到智元的机器人夹起2毫米电阻焊到电路板上。过去吸引观众的后空翻和机械舞还在,但厂商更想证明机器人不只会动,还能干活。

瓶颈:机器人的「大脑」

造出能跑、能跳、能伸手的「身体」,已不是当下最稀缺的能力。真正的瓶颈是「大脑」,即让机器人看懂混乱环境,决定下一步行动,并将决定稳定传至几十个关节。

Google DeepMind推出Gemini Robotics 2

WAIC结束一周多后,Google DeepMind推出Gemini Robotics 2,这是一个主打「全身智能」的机器人通用模型,适用于各种不同形态的机器人。人类完成弯腰捡水壶、封自封袋等动作很自然,机器人却要连续算对一串彼此牵制的动作。身体零件越齐全,控制难度越大。谷歌此次发布包含三个模型,Gemini Robotics ER 2负责理解环境、规划长任务和与人沟通,Gemini Robotics 2这个VLA模型把视觉与语言直接转成动作,On - Device 2则把动作模型压到本地,并能用少于200个样例、几小时数据适配新的机器人本体。核心在于,谷歌用一组模型协调人形机器人的双腿、躯干、双臂和手指,让它边思考推理边移动操作。

全身智能的体现与不足

过去不少机器人演示有回合制游戏感,动作切换时易暴露独立模块的接缝。上一代Gemini Robotics主要控制机器人上半身处理桌面任务,到了Gemini Robotics 2,官方视频中的Apptronik Apollo 2能完成走向水壶、提壶、取棒球手套等动作。这些动作依赖视野、可达范围、步态和重心,视频标注机器人均为自主运行,动作按真实速度播放。这意味着模型把整副身体视为相互耦合的动作空间,且同一模型已用于不同机器人。不过,Apollo动作速度慢,谷歌承认移动速度需提高。官方测试中,Apollo从桌面、地面和货架取物的平均成功率分别为68.4%、45.7%和76.3%,地面取物成功率最低。

「最后几厘米」的难题

全身控制解决机器人抵达和站稳问题,真正决定其能否进入家庭和工厂的是「最后几厘米」。官方视频里,Apollo 2用五指SharpaWave灵巧手尝试拧灯泡、封自封袋、给垃圾袋打结,Franka Duo的夹爪把工具装进工具箱。这些任务涉及连续接触、双手配合和形变,与过去简单抓取演示不同。Gemini Robotics 2要从视觉和指令直接生成高频、连续动作。谷歌公布的成绩显示,两指夹爪在通用抓放、工具配套和精密插入上平均成功率较高,多指灵巧手在拧灯泡、扎垃圾袋等任务上成功率较低,说明大模型能接管复杂手部动作,但多指灵巧操作远未达「人类级」。

机器人协作的探索

视频中,Apollo与Franka Duo共同整理工具箱,两台机器人各自运行一套模型,通过高层推理分配和衔接工作,ER 2会查看视频判断任务进度、决定是否重试。这与机械执行预设工序不同,谷歌想让不同形态机器人像团队一样交接任务,但官方视频展示的场景离真实工厂多机连续协作还有很长的稳定性验证距离。

拆掉身体边界的「大小脑」架构

具身智能行业普遍将机器人架构概括成「大脑」和「小脑」,大模型负责高层推理,小模型和传统控制器负责底层控制,这样做务实但存在模块边界问题,物理世界中高层计划与底层动作易出现理解不一致,导致错误累积和动作停顿。谷歌并未放弃「大小脑」,ER 2仍是高层大脑,VLA统一全身动作,减少机器人动作的割裂感。这是更准确的分界线,高层分层,身体端到端。同时,考虑到底层控制和高层推理的不同需求、训练成本和安全问题,谷歌没有把所有环节塞进一个巨型网络。而且,类似路线并非谷歌独有,Figure和智元也有相关探索。

全身智能面临的挑战

目前具身智能模型前沿探索追求更多本体、更长任务和更少的专用数据,如英伟达、Physical Intelligence、蚂蚁灵波等都有相关成果。Gemini Robotics On - Device 2用少量样例适配新本体值得关注,但机器人比聊天模型更难,英伟达承认多任务语言跟随和分布外泛化是挑战,谷歌五指任务成功率也表明模型控制不同身体的稳定性不足,真实部署还需面对更多问题。

具身智能的展望与2026世界机器人大会

Gemini Robotics 2的重要意义在于让具身智能模型越过桌面和上半身,将多种能力纳入考量。WAIC上成熟的芯片、关节和整机为AI提供了身体,谷歌试图证明模型开始把身体当作整体使用。但机器人真正走进生活,不只需要全身智能。8月19日到23日,2026世界机器人大会(WRC)将在北京举办,主题是「人机共生,产需共融」,参展企业300余家,比去年多36%,展品超2000件,首发新品突破150件,1万多名赛手将参加机器人大赛总决赛。雷科技将派出WRC报道团进行全程现场报道。那么,未来具身智能模型能否在生活场景中得到更好应用呢?

四大VLA模型对比:OpenVLA、π0、RT-2与Gemini Robotics技术解析 视觉-语言-行动模型是机器人领域实现端到端智能控制的核心技术。其基本原理是通过统一的深度学习架构,将视觉感知、语言理解与动作生成进行模态对齐与融合,从而让机器人能直接根据视觉观察和自然语言指令输出控制动作。这项技术的价值在于摒弃了传统机器人技术栈中感知、规划、控制分离的复杂流水线,大幅提升了系统的灵活性与泛化能力。其典型应用场景包括工业分拣、家庭服务、灵巧操作等需要复杂环境理解与任务执行的场合。本文聚焦于当前该领域的四个代表性模型:开源的OpenVLA、高效落地的π0、谷歌的RT-2以及基于原生多模态大模型 阅读详情

相关推荐

Gemini Robotics 1.5:基于VLA与具身推理模型实现机器人自主规划与工具调用

在人工智能与机器人技术融合的浪潮中,多模态大模型正成为实现机器智能的关键。其核心原理在于,通过视觉-语言-动作(VLA)模型的深度融合,让机器能够同步理解视觉信息、自然语言指令并生成控制动作。这项技术的核心价值在于,它使机器人从依赖预设程序的“自动化工具”,转变为具备自主任务分解与规划能力的“智能体”。具体到应用场景,这为机器人应对开放世界、长周期、多步骤的复杂任务(如家庭服务、工业分拣)提供了可能。本文聚焦的Gemini Robotics 1.5,正是这一方向的典型代表,它通过创新的双模型架构——将负责实

weixin_34384557的博客 339

Gemini Robotics:Google DeepMind 让 AI 机器人真正“动”起来!

订阅我们的简报,深入解析最新的技术突破、实际应用案例和未来的趋势。,一款基于 Gemini 2.0 的 AI 机器人模型。等机构合作,确保 Gemini Robotics-ER 适用于各种场景。,让机器人具备更强的物理世界交互能力。除了 Gemini Robotics,Google 还推出了专注于。这两款 AI 机器人模型将彻底改变机器人行业,使机器人能够执行。:以 AI 规则集约束机器人行为,确保符合人类伦理。:结合 AI 代码生成能力,动态规划复杂任务。,专门用于评估机器人行动的安全性,并与。

2301_79342058的博客 1018

四大VLA模型深度解析:从OpenVLA到Gemini,机器人如何听懂指令并执行动作

在人工智能与机器人技术融合的前沿,多模态大模型正成为连接视觉感知与物理操作的关键桥梁。其核心原理在于,通过统一的模型架构,将视觉、语言和动作模态进行对齐与融合,使机器人能够理解开放世界的语义指令,并生成相应的控制序列。这一技术价值在于,它极大地降低了机器人编程的门槛,使机器人能够执行更复杂、更泛化的任务,而无需为每个具体场景编写繁琐的代码。其应用场景广泛,从工业分拣、家庭服务到仓储物流,凡是需要根据自然语言指令进行灵巧操作的领域,都能从中受益。本文聚焦的OpenVLA、π0、RT-2和Gemini Robo

weixin_34293246的博客 387

Google DeepMind推出Gemini Robotics 2:具身智能迈向全身智能新高度!

全身控制解决了机器人抵达和站稳的问题,但决定其能否进入家庭和工厂的往往是最后几厘米的操作。在官方视频里,Apollo 2用五指SharpaWave灵巧手尝试拧灯泡、封自封袋、给垃圾袋打结,Franka Duo的夹爪负责装工具。过去机器人常见抓取演示较简单,而这些任务涉及连续接触、双手配合和形变。Gemini Robotics 2要从视觉和指令直接生成高频、连续动作。

IT界那些事儿 24

BES (恒玄)HFP通话笔记

1.audio_developer 调试:SDK 需要打开某个算法,需要原厂打开对应宏定义编译出新的SDK,只要涉及到lib库里的功能都需要原厂手动修改编译。开发商和原厂FAE做起来都会比较累。如果没有原厂支持根本没法做,很少文档,SDK也很多问题,没法开箱即用如果要支持audio_developer上位机调试,还需改代码,如果对整个原理不清楚就没法做,没文档只能啃代码调试工具设计的也有待加强,串口通讯调试对耳机这类产品非常麻烦,本来板子就不大,还要焊接一堆线,调试还要拖着串口线。

飞天鱼 690

Google DeepMind推出Gemini Robotics 2:全身智能让机器人迈向真实场景应用!

全身控制解决的是机器人怎么抵达、怎么站稳。真正决定它能不能进入家庭和工厂的,往往还是最后几厘米。在官方视频里,Apollo 2使用一只拥有22个自由度的五指SharpaWave灵巧手,尝试拧灯泡、封自封袋、给垃圾袋打结;Franka Duo的两只夹爪负责把形状各异的工具紧密装进工具箱。过去机器人最常见的抓取演示,只是把一个硬物从A点搬到B点,而这些任务涉及连续接触、双手配合和形变。

IT界那些事儿 129

LAMMPS实操系列(四): 高熵合金FCC-CoCrCuFeNi的退火模拟

我们对FCC-CoCrCuFeNi的退火模拟思路主要是,首先将材料以均匀的速率用100 ps从300 K升温至1000 K,然后在1000 K的温度下平衡100 ps,随后以均匀的速率用100 ps从1000 K降温至300 K,随后通过共轭梯度下降法做静力学结构优化得到退火后的结构。由于FCC-CoCrCuFeNi高熵合金被认为是潜在的工程结构材料[1],接下来我们将对退火前后的结构进行压缩模拟,对比退火前后FCC-CoCrCuFeNi高熵合金的力学性能变化,敬请各位读者关注我们的更新。

Ceshigo_CD的博客 4839

机器人迎来 “离线大脑”:谷歌 DeepMind Gemini Robotics On-Device 如何改写行业规则?

【摘要】Gemini Robotics On-Device是谷歌DeepMind发布的首个可在机器人本地独立运行的视觉-语言-动作(VLA)模型,彻底摆脱云端依赖,实现离线智能。其多模态融合、极强泛化与迁移能力、开发者友好生态和双重安全机制,正推动机器人行业迈向“去中心化”与“设备即大脑”的新纪元。

欢迎来到运通链达的官方博客!我们深度探讨人工智能技术与应用,贯彻科技向善理念,推动科技进步与社会福祉和谐共生。 1655

grafana 配置页面告警

Rate 下拉选择也可,保持默认也可。By label 选择一个比如选择filename。配置无数据或者错误数据的时候如何处理,这里选择 Normal (表示当做正常不会告警)单机 node_name 标签,选择一个主机,选好后单机 Show logs。单机 New floder,如果之前配置过,也可以选择。单机 Save contact point 保存即可。会跳出如下对话框(如果没有跳出就自己单机选择下)完成后会自动生成如下图,告警规则部分就配置好了。选择告警接收方式(这里选择企业微信 WeCon)

weixin_40548182的博客 3258

QT使用libssh2库通过密匙实现sftp协议上传文件

qt下使用libssh2通过密匙连接sftp服务器端

小米的修行之路 950

Gemini Robotics 1.5:VLA模型如何重塑机器人任务规划与执行范式

在机器人技术领域,任务规划与执行一直是核心挑战。传统方法依赖于基于规则的、分模块的预设系统,虽然实现了特定场景的自动化,但存在泛化能力差、开发成本高等瓶颈。其原理是通过独立的视觉、规划和控制模块串联工作,将复杂任务分解为可执行的代码逻辑。随着人工智能的发展,Vision-Language-Action模型带来了技术价值的跃升,它通过端到端的方式,将视觉感知、语言理解和动作生成统一起来,使机器人能够基于自然语言指令和实时视觉观察,自主进行常识推理和任务分解。这种技术特别适用于应对非结构化环境和处理复杂的长尾任

weixin_30940783的博客 427

我写了一个自动识别火车车厢位置的算法【lidar点云识别】

我写了一个自动识别火车车厢位置的算法【lidar点云识别】

qq_43212290的博客 805

Gemini Robotics 2:当机器人学会用“全身”思考

想拥有一个能真正“动手”的AI吗?Gemini Robotics 2 打破“聪明大脑、笨拙身体”的魔咒,让机器人用全身感知物理世界。从连续动作控制到端到端训练,这篇文章手把手拆解VLA模型的技术内核,带你见证机器人从“纸上谈兵”到“心灵手巧”的进化。🤖✨

weixin_44063643的博客 343

用Python爬取政府采购信息的实战全流程

以 Playwright 自动采集政府采购信息结构化存储与查询可拓展关键词过滤与通知机制。

2201_76125261的博客 1153

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

从“动作迁移”到“思考VLA”:Gemini Robotics技术拆解

谷歌DeepMind推出Gemini Robotics 1.5系列模型,标志着AI大脑与机器人身体的深度融合。该系统由两个协同模型组成:具身推理模型GR-ER 1.5负责高级规划与工具调用,视觉-语言-动作模型GR 1.5负责精确执行,并具备动作迁移能力。通过思考机制连接大脑与身体,使机器人能理解复杂指令并自主调整动作。该技术已在仓储物流、家庭服务、医疗辅助等领域展现应用潜力,为通用机器人发展提供了可行路径,推动AI从数字世界走向物理实

aidoudoulong的博客 799

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

机器人 “离线觉醒” ? 摆脱人类“控制”!Google DeepMind 优化 AI 让机器人断网不断智!

在科技浪潮奔涌向前的时代,人工智能与机器人的深度融合正掀开无限可能的智能篇章。Google DeepMind 重磅推出 Gemini Robotics AI 模型的设备端版本,作为视觉 - 语言 - 行动模型(VLA),它不仅延续了 3 月份发布的灵巧功能,更以 “体积小且效率高” 的特性实现突破,无需互联网连接即可直接在机器人上运行。这一创举犹如巨石投入平静湖面,激起千层浪,标志着机器人技术迎来里程碑时刻 ——AI 模型彻底摆脱云端束缚,在设备端扎根,实现高效离线的智能决策与操作,为重塑人机协作未来、解锁

敖行客 Allthinker的博客 599

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Google DeepMind与Apptronik展示家用人形机器人执行真实世界任务

Google DeepMind与Apptronik展示家用人形机器人执行真实世界任务

zhidingkeji的博客 948

VLA模型与Gemini Robotics:解决机器人“最后几厘米”操作难题

随着大模型技术深入物理世界,具身智能成为机器人领域的新焦点。传统机械臂控制依赖感知、规划、控制分离的串行流程,在夹爪接触工件的“最后几厘米”常因误差累积而失效。VLA(视觉-语言-动作)模型将视觉理解与动作生成统一在同一架构中,让机器人从“看懂”迈向“操控”。Google DeepMind 推出的 Gemini Robotics 系列通过动作模型与具身推理模型的分工,既保证实时响应,又提升空间推理精度。这一技术路径可应用于物体抓取、整理分拣、长程任务分解等场景。对于开发者而言,结合具身推理与现有控制栈,构建

weixin_34015336的博客 337

Google DeepMind 发布 Gemini Robotics 2:大模型长出“手“和“脚“,AI 正式进入物理世界

Google DeepMind 推出了 Gemini Robotics 2,将 AI 的能力从虚拟屏幕延伸到了现实的物理空间。这个模型能感知、理解并操控真实物体,DeepMind 研究者将其称为"物理 AGI"的开端。

Winzheng_Index的博客 187

Gemini Robotics 1.5:双模型架构如何实现机器人的自主规划与执行

在人工智能与机器人技术融合的浪潮中,视觉-语言-动作模型已成为实现机器人智能化的核心技术路径。其核心原理在于构建一个能够将视觉感知、语言理解与物理动作生成相统一的端到端学习框架,通过多模态数据融合,使机器人能直接理解环境并生成控制指令。这项技术的核心价值在于突破了传统机器人依赖预设程序的局限,赋予机器人在非结构化环境中自主执行复杂任务的能力。其典型应用场景包括柔性制造、家庭服务与高风险环境作业,机器人需要根据动态环境进行实时决策。而Gemini Robotics 1.5系统正是这一技术方向的集大成者,它创新

weixin_34396902的博客 473

从具身推理到灵巧操控:Gemini Robotics VLA模型如何重塑机器人通用能力

Google DeepMind推出的Gemini Robotics VLA模型,通过融合Gemini 2.0的具身推理能力与视觉-语言-动作架构,实现了机器人从感知、推理到灵巧操控的范式突破。该模型能理解自然语言指令,在真实世界中执行叠衣、抓取等多样化任务,并展现出强大的视觉、指令和动作泛化能力,为通用机器人的发展奠定了关键技术基础。

weixin_29079743的博客 142

具身智能的ChatGPT时刻:大模型如何驱动机器人真正动手

具身智能(Embodied AI)是让AI从屏幕走向物理世界的核心范式,其本质是将感知、决策与执行在统一模型中端到端建模。依托大语言模型(LLM)的任务理解能力与视觉-动作联合模型(VLA)的物理执行能力,系统得以跨越‘语义指令’与‘真实动作’之间的鸿沟,实现零样本适应、跨任务泛化和持续自主进化。这一技术突破正快速渗透至仓储分拣、工业质检、医疗物流等柔性制造与服务场景,显著降低机器人部署门槛与产线换型周期。本文聚焦Google RT-2与RoboCat所代表的真实世界数据闭环、动作token化、自我改进元学

frank1998819 510

【论文自动阅读】Evaluating Gemini Robotics Policies in a Veo World Simulator

Google DeepMind团队构建了基于Veo视频基础模型的生成式评估系统,用于在名义场景、分布外(OOD)场景及安全测试中评估双臂机器人的Gemini Robotics策略,并通过1600+次真实世界实验,验证该系统能准确预测策略相对性能、OOD下性能退化及安全漏洞。

qq_43854103的博客 758

从阿里Qwen3.8到谷歌GR-2:大模型正在抛弃“纯文本”,全面拥抱“物理世界”的具身智能架构

大模型正在走出聊天框和文本域,全面拥抱物理世界。

谙弆悕博士的技术博客! 575
上一篇: 分析师警告:AI投资热潮或为“循环融资”骗局,科技巨头与AI初创公司风险几何?
下一篇: Automerge合并实时系统状态难题待解:仅收敛不够,支持合并的数据类型是方向?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值