谷歌DeepMind最新推出的Gemini Robotics项目，首次实现了让机器人在行动前具备“思考”能力的双模型协同系统。这一技术突破有望打破当前机器人仅能完成特定任务的瓶颈，推动其向更通用化方向发展。
尽管生成式AI已在文本、图像、音频和视频内容创作中广泛应用，如今这项技术正被延伸至机器人动作指令的生成领域。DeepMind研究团队强调，生成式AI对机器人学具有深远意义，因为它能够赋予机器人前所未有的通用性与适应能力。
目前大多数机器人面临的核心挑战是高度专业化。每台机器人通常需要针对某一具体任务进行大量训练，在面对新任务时往往难以胜任。对此，谷歌DeepMind机器人部门主管Carolina Parada表示：“现有的机器人系统大多高度定制，部署过程复杂且耗时，常常花费数月时间才能上线一个只能做单一工作的机器人单元。”
为解决这一问题，DeepMind提出了基于生成式AI的新一代机器人架构。这类系统具备更强的泛化能力，能够在未知环境中自主适应，无需重新编程即可应对多样化任务。其实现方式依赖于两个协同工作的模型：一个负责规划决策，另一个专注于动作执行。
这两个新型模型分别为Gemini Robotics1.5与Gemini Robotics-ER1.5。其中，前者是一种视觉-语言-动作（VLA）模型，能够结合视觉感知和语言理解来生成具体的机器人操作指令；后者中的“ER”代表具身推理（Embodied Reasoning），是一个专精于推理的视觉-语言模型，接收环境图像和自然语言输入后，输出完成复杂任务所需的逻辑步骤。
尤为关键的是，Gemini Robotics-ER1.5是首个实现模拟推理的机器人AI系统，其推理机制类似于先进聊天机器人的思维链过程。虽然“思考”一词在生成式AI语境下可能存在争议，但DeepMind用此描述其高级决策能力。该模型在多项学术及内部基准测试中表现卓越，证明其能准确判断如何与物理世界交互。然而，它并不直接控制机器人运动，而是将生成的策略传递给执行模型。
以衣物分类任务为例：当机器人需要将混洗衣物按颜色分拣为白色和彩色两类时，Gemini Robotics-ER1.5会首先接收任务指令并分析场景图像。它还可调用外部工具如谷歌搜索获取相关信息，随后生成一系列自然语言形式的操作指南，指导机器人完成整个流程。
这种双模型设计的关键创新在于将“决策”与“执行”分离。具身推理模型专注于任务理解和路径规划，制定详尽的行动计划；而动作执行模型则精准地将这些抽象指令转化为机械臂的实际动作。通过这种分工协作模式，机器人不仅拥有了类人般的规划能力，同时也保持了工业级的操作精度与稳定性。
