谷歌的人工智能研究组织谷歌DeepMind发布了大幅提升机器人空间理解能力和精密推理性能的新模型。其核心设计在于超越单纯识别物体的水平，能够更准确地判断在实际环境中应该抓取什么、移动到哪里。
字母表公司($GOOGL)旗下的谷歌DeepMind于周二发布了新的机器人基础模型"Gemini Robotics-ER 1.6"。该公司解释称，该模型侧重于增强包括机器人在内的物理代理的自主性，特别是在空间推理和多视图理解（即整合解释从多个视角看到的信息）的能力方面得到了改进。
据DeepMind介绍，Gemini Robotics-ER 1.6充当了机器人的高层推理层。它支持任务规划制定和工具调用功能，不仅能利用谷歌搜索进行信息检索，还能与视觉-语言-行为模型、外部开发者定义的第三方功能联动。这是一种让机器人在执行给定指令的过程中自行寻找所需信息，并将其与行动连接起来的架构。
实际改进案例也已公布。其代表能力是精确检测和分类物体。这是机器人在挑选并抓取特定物品作业中必不可少的功能。例如，在快递分拣作业或整理杂乱房间的环境中能提高效率。不仅限于简单识别，理解物体间大小比较或位置关系的"关系型逻辑"也得到了加强。公司表示，执行诸如找出最小物体或将特定物体移动到指定位置等指令变得更加精细。
反映复杂约束条件的推理也引人注目。DeepMind解释称，该模型也能处理诸如"指出所有小到能放进蓝色杯子里的物体"这类复合提示。这意味着机器人超越了简单翻译人类自然语言指令的水平，能够同时计算实际物理条件和空间上下文。
瞄准工厂、仓库乃至家庭
此次升级不仅提升了机器人的移动性能，也提高了其读取仪表盘和测量设备的能力。需要判读指针、刻度、细小数字、辅助标记等复杂视觉信息的作业，是需要精密视觉推理的领域。此类功能不仅在工厂、仓库等工业现场，在家庭内的各种空间中也具有很大的应用潜力。
负责波士顿动力公司四足机器人"Spot"的Marco da Silva表示："仪表盘读取和更高可靠性的作业推理能力，帮助Spot以完全的自主性观察、理解现实世界的问题并作出反应。"
DeepMind解释称，这种准确性源于"代理视觉"技术。其方式是先捕捉图像的细节，然后执行精炼的代码来计算比例和间距，最后由推理引擎进行解读。这是一种结合视觉识别和代码执行，做出比单纯图像分析更精确判断的结构。
开始向开发者公开……机器人AI竞争也正式展开
Gemini Robotics-ER 1.6从当天起通过Gemini API和谷歌AI Studio向开发者提供。在机器人产业正从硬件竞争快速转向软件和人工智能中心竞争之际，此次发布表明谷歌DeepMind正在加速夺取机器人AI主导权。
市场上日益认识到，机器人要在实际环境中稳定运行，"理解"比"动作"更为重要。从这个角度看，此次模型可被视为强化机器人"大脑"而非"手脚"的进展。它很可能不仅对工业自动化，也对生活型服务机器人的普及产生不小影响。
TP AI 注意事项 使用基于TokenPost.ai的语言模型对文章进行了摘要。正文的主要内容可能被省略或与事实不符。