当地时间11月10日,Google DeepMind发布新一代视觉-语言-动作模型Gemini Robotics 2.5。在约200项任务评测中,它在灵巧操作上表现突出,谷歌称正令人期待地接近人类水平。

几个关键数字
用夹子装取糕点,成功率从5%提升到100%;解开丝带蝴蝶结,从0%提升到70%;悬挂开衫,从0%到62%;折叠裤子,从0%到40%。这些任务看似日常,对机器人却极难,因为涉及可变形物体、精细力控和多步骤规划。
为什么灵巧操作难
拿杯子、叠衣服、系鞋带,人类闭着眼都能做,机器人却要同时处理视觉识别、触觉反馈、力度控制和动作序列。可变形物体更难,因为形状一直在变,模型无法依赖固定的几何假设。
VLA模型的意义
视觉-语言-动作模型,把看、理解、做连成一体。机器人不需要为每个任务单独编程,而是理解指令后自己规划动作。这让机器人从专用设备,变成通用平台。Gemini Robotics 2.5的进步,说明这条路线在走通。
距离落地还有多远
评测环境是受控的,真实场景有光照变化、物体遮挡、人为干扰。70%的成功率在实验室是突破,在产线上还不够。工业客户要的是99%以上的稳定性,这最后一段路,往往比从0到70%更难走。
行业影响
谷歌把VLA模型做成平台,机器人厂商可以在上面做应用。这会加速行业分工:做模型的做模型,做本体的做本体,做场景的做场景。具身智能的生态,正在成形。