谷歌近日推出了两款基于Gemini 2.0的人工智能模型，目标是打造更加灵活且能互动的机器人，这或将促进机器人在更多场景中的广泛应用。这两款新模型适用于不同形态的机器人，比如人形机器人以及工厂和仓库中常见的其他类型机器人。

其中一款名为Gemini Robotics，属于视觉-语言-行动模型，能够通过实际操作来实现指令。这意味着机器人不仅能听懂自然语言指令，还能完成复杂的任务。简而言之，它能让机器人理解人类的语言并执行对应的命令。

另一款名为Gemini Robotics-ER的模型，则侧重于空间推理，是一种视觉-语言模型。它可以帮助机器人更好地感知周围环境，并支持开发者利用其推理功能编写程序。

谷歌DeepMind的工程师Kanishka Rao指出，通过将Gemini模型应用到机器人领域，谷歌正推动机器人技术朝着更智能、更通用的方向迈进。“我们的世界充满复杂性、动态变化和多样性，因此我们认为通用型智能机器人必须具备应对这些挑战的能力。”

值得注意的是，Meta、特斯拉和OpenAI等知名企业都在加大对机器人技术的投资力度，同时一些初创公司如Figure AI和Skild AI也逐渐崭露头角，这些企业的估值均已达到数十亿美元级别。

在一段预先录制的展示视频中，谷歌的研究人员演示了搭载其技术的机器人如何响应基本指令。例如，有一台机器人面对一堆积木，当被指示拼出某个单词时，它成功拼出了“Ace”。

此外，在一个小型玩具篮球场上，另一台机器人按照要求完成了扣篮动作，把一个小塑料球投入篮筐内。Rao提到，当他们首次看到机器人完成这一动作时，整个团队都感到非常激动，因为机器人并未接触过任何与篮球相关的事物。它之所以能做到这一点，是因为Gemini模型帮助它理解了篮网的样子以及“扣篮”这个词汇的意义，并将两者结合起来，在现实中实现了该动作。

尽管如此，谷歌承认这项研究尚处于初步探索阶段。DeepMind的研究员Vikas Sindhwani补充道，Gemini模型的研发建立在对物理环境中“常识性安全”的深刻理解之上。

另外，谷歌计划分阶段部署这些机器人，初期会将其安置在远离人群的地方，随着安全性不断提高，再逐步增强它们的交互性和协作能力。