谷歌DeepMind近日发布了Gemini Robotics 2，这是其最新的视觉-语言-动作（VLA）模型，旨在为形态各异的机器人提供统一的智能控制基础。从桌面级机械臂到全尺寸人形机器人，该模型试图以单一架构覆盖多种机器人形态，标志着机器人AI从专用走向通用的重要一步。
发生了什么
Gemini Robotics 2是DeepMind在机器人AI领域的最新成果，它基于Gemini系列多模态模型的能力，直接输出机器人动作指令。与以往针对特定机器人或任务单独训练的模型不同，Gemini Robotics 2的设计目标是跨形态泛化，即同一套模型权重可以适配不同物理结构的机器人。
同时发布的Gemini Robotics ER 2（Embodied Reasoning）则是一个更高层的推理模型，它不直接输出低级动作，而是负责任务分解、环境理解和规划，为机器人提供类似“常识”的推理能力。两者配合，形成“高层规划+底层执行”的完整智能栈。
为什么重要
长期以来，机器人AI的瓶颈在于泛化能力：传统方法往往需要针对每个机器人、每个任务重新收集数据并训练模型，成本高且难以扩展。VLA模型的出现试图打破这一局面，通过在大规模多模态数据上预训练，让模型具备理解世界和生成动作的通用能力。
Gemini Robotics 2的特别之处在于其跨形态设计。此前，多数VLA模型（如RT-2、OpenVLA）主要针对单臂机械臂或特定平台，而Gemini Robotics 2宣称支持从桌面机械臂到人形机器人的广泛形态，这意味着模型学习到的运动控制知识可能具有更强的抽象性和可迁移性。
此外，Gemini Robotics ER 2的推理层设计，回应了机器人领域的一个关键挑战：如何将大语言模型的推理能力与物理世界的行动能力结合。通过将高层规划与底层控制分离，系统可以在复杂任务中保持灵活性，同时降低对精确动作标注的依赖。
影响与看点
对于机器人开发者而言，Gemini Robotics 2可能降低开发门槛：如果模型确实能跨形态泛化，开发者无需从零训练，而是可以基于预训练模型进行微调，适配自己的硬件平台。这将加速从实验室到实际应用的转化。
对于行业而言，这一发布强化了“通用机器人基础模型”的趋势。继谷歌、英伟达、Physical Intelligence等机构之后，DeepMind再次巩固了其在这一领域的领先地位。值得关注的是，Gemini Robotics 2是否会开放给外部开发者，以及其在实际场景中的表现是否与宣传相符——尤其是面对复杂、非结构化环境时的鲁棒性。
一个值得注意的观察点是，DeepMind选择同时发布“动作模型”和“推理模型”，这暗示了未来机器人AI的模块化架构方向：底层负责执行，顶层负责思考。这种分离是否成为行业标准，将取决于实际效果和生态支持。
总体而言，Gemini Robotics 2是机器人AI迈向通用化的一次重要尝试，但其真正的价值还需通过实际应用来验证。对于关注具身智能的从业者，这是一个值得持续跟踪的信号。
