今年三月，谷歌推出了Gemini Robotics的“视觉语言动作”（VLA）模型，近日，他们再次推出该模型的升级版，名为Gemini Robotics On-Device。

根据谷歌的介绍，该模型是他们最强大的VLA模型，经过优化后，可在机器人设备上本地运行。

谷歌DeepMind高级总监兼机器人主管透露，“该模型独立于数据网络运行，因此它对延迟敏感的应用很有帮助，并确保在间歇性断网或无网络连接的环境中，依旧稳定运行。”

另外，谷歌明确表示，Gemini Robotics On-Device是基于3月份推出的Gemini Robotics升级改进而来，专为“双臂机器人”而设计，旨在提高灵巧应对复杂任务的适应能力。

在此前的一次演示中，该团队展示了运行这种本地模型的机器人，它们可以轻松执行拉开拉链和折叠衣服等基本动作。

谷歌表示，虽然该模型是为ALOHA机器人而训练，但后来他们对其进行了调整，使其适用于双臂Franka FR3机器人和Apollo人形机器人。

与此同时，谷歌DeepMind还发布了Gemini Robotics SDK。该公司表示，开发人员可以在MuJoCo高级物理模拟器上使用这些模型，允许向机器人展示50到100个任务演示，以训练它们完成任务。

相比单纯的“大语言模型”，这些机器人AI需要面对更多问题，因为机器人不仅存在于物理世界中，还会改变其环境。谷歌DeepMind机器人技术负责人表示，“Gemini能够生成文本、写诗、总结一篇文章，甚至编写代码，现在，它还可以生成机器人动作。”也就是说，谷歌认为他们的机器人模型已经可以通过大数据训练各种动作，在快速迭代中面对各种物理世界的问题。

另一个担忧是，相比对话型AI，这种机器人AI更需要关注安全问题，毕竟“终结者”这种恐怖桥段更容易成为现实。谷歌方面表示，为了保障Gemini Robotics的安全，他们采用了多层限制的办法。具体来说，控制机器人的是一个底层VLA模型，在其之上还有一个VLA上级模型，该上级模型用推理模型的方案来判断什么指令是安全的。简而言之，用“AI管理AI”的方式来确保安全。

毫无疑问，机器人AI又是一个新赛道，包括Nvidia在内的很多公司都在秘密研究自己的机器人项目，相信国内也有很多企业在这条赛道上默默前行，让我们拭目以待新一场AI大战的揭幕吧。