谷歌DeepMind正式推出GeminiRobotics 1.5系列模型，以GeminiRobotics 1.5与GeminiRobotics-ER 1.5两款核心产品，构建起“高层决策+精准执行”的具身智能框架，标志着人工智能从数字世界向物理世界的跨越实现关键突破。这一系列专为机器人与具身智能场景设计，通过视觉-语言-行动（VLA）与具身推理（ER）的协同，首次实现机器人“理解-规划-操作-调整”的全链路自主能力。
双雄并立：分工明确的智能体架构
1.GeminiRobotics-ER 1.5：物理世界的“战略大脑”
作为先进视觉-语言模型（VLM），这款被称为“高层大脑”的模型颠覆了传统机器人的指令执行模式。其核心优势在于物理世界推理与工具协同能力——能直接调用GoogleSearch等数字工具获取实时信息（如分类垃圾时查阅当地回收指南），并将抽象需求拆解为可执行的多步骤计划。在ERQA、Point-Bench等15项学术基准测试中，该模型均达到“最先进性能”，尤其在空间理解、物体状态估计等关键维度表现突出，为复杂任务提供了逻辑严密的行动蓝图。
2.GeminiRobotics 1.5：精准行动的“执行中枢”
作为当前最强大的VLA模型，其突破性创新在于**“思考式执行”与跨躯体迁移能力**。与传统机器人直接转化指令不同，该模型在行动前会生成自然语言推理序列：以“按颜色分类衣物”为例，它会先完成“目标分解（白衣/彩色分离）→策略制定（优先拾取大件衣物）→动作计算（调整夹爪力度）”的内部思考，再输出毫米级运动指令。更值得关注的是其跨躯体学习能力：在ALOHA2机器人上习得的技能，可零特化迁移至Apptronik人形机器人Apollo或Franka双臂机器人，彻底解决了机器人技能“一机一训”的行业痛点。
协作机制：从指令到行动的闭环革命
两款模型形成的分层协作体系，重新定义了机器人任务处理流程：
需求解析：GeminiRobotics-ER 1.5接收自然语言指令（如“整理办公桌面并冲泡咖啡”），结合视觉输入分析环境状态；
计划生成：调用数字工具验证可行性（如确认咖啡机操作步骤），输出“清理文件→擦拭桌面→准备咖啡豆→启动机器”的分步计划；
动作执行：GeminiRobotics 1.5将每步计划转化为机械臂运动轨迹，实时调整力度与角度；
动态优化：执行中通过视觉反馈修正偏差（如咖啡粉洒落时自动暂停并清理）。
这种架构使机器人首次具备处理“语义复杂+环境动态”任务的能力，泛化性与鲁棒性较前代提升40%以上。
