上周Gemini Robotics没搞发布会，悄咪咪更了他们的机器人模型ER 1.6——核心改动就俩：强化空间推理，还有多视图理解。
这俩能力到底管啥用？
举个实际的例子，之前见一款分拣机器人，在实验室里能精准抓货架上的塑料零件，到了实际仓库就拉胯——零件被纸箱挡了三分之一，或者从侧边看，它要么抓空，要么碰掉旁边的纸箱。核心问题就是，它没学会“看”不同角度的东西，也没搞懂物体之间的空间距离。ER1.6的升级，就是补上这俩缺口：空间推理让机器人能算出物体和障碍物的位置，伸手的时候不会瞎撞；多视图理解是把不同角度拍的画面拼起来，不管物体怎么摆，都能认出来，不会因为挡了一部分就认错。
为啥现在要抠这俩细节？
现在不少机器人公司，要么盯着大模型的参数卷，要么蹭通用大模型的热度，说要给机器人加“通用智能”。但实际落地的时候，最卡脖子的还是感知层面的硬需求——真实环境没有实验室的完美摆放，沙发靠垫歪了，快递盒堆得乱，机器人要同时处理不同视角的信息，还要准确判断距离，这些不是靠堆大参数就能解决的。Gemini这次没玩虚的，就抓了机器人落地最刚需的两个感知能力，不是改架构，就是优化这俩核心模块。
对行业来说，这可能是个信号：机器人的落地，不是靠喊“通用智能”的口号，而是要抠真实场景里的具体问题。之前很多模型，在模拟环境里测分很高，一到实际场景就翻车，就是因为没解决空间和多视图的问题。ER1.6的升级，相当于给机器人的“眼睛”和“脑子”加了一层校准，让它们能在乱的环境里干活。
不过也有疑问，只升级空间和多视图理解，够吗？比如机器人还要会听指令，会识别物体的材质，会处理复杂的交互，这些没跟上的话，就算看得准，也拿不稳东西，或者听不懂人话。现在Gemini只改了感知层面的这两点，能不能帮机器人真的走进家庭或仓库，还是得打个问号。
素材来源：Google DeepMind Blog · AI情报、大模型、AI应用落地、具身智能
查看报道原文
发表第一条评论吧