Google DeepMind 近期發布 Gemini Robotics 1.5 與 Gemini Robotics-ER 1.5 兩款 AI 模型，讓機器人不再僅僅是「執行單一步驟指令」的工具，而是可以在實際行動前先「思考」如何完成更複雜、涉及多步驟的真實世界任務。Google DeepMind 機器人部門主管 Carolina Parada 表示，這標誌著機器人已經發展到對物理任務具備「真正理解和問題解決」的能力，因此被視為通用型機器人邁向實用化、智慧化的重要里程碑。
Gemini Robotics 1.5 系列模型如何突破數據不足的訓練限制？
Gemini Robotics 1.5 系列模型實現多項技術突破，能處理多步驟任務，例如依照顏色將衣物分類，或是協助打包行李。這些突破的背後，仰賴兩個模型分工合作：Gemini Robotics-ER 1.5 作為具身推理模型，負責高階規劃與邏輯決策； Gemini Robotics 1.5 則是「視覺–語言–動作」（Vision-Language-Action, VLA）模型，可以同時結合影像輸入、語言指令與動作輸出，負責將規劃轉化為實際操作指令。
更重要的是，這些模型還能直接使用 Google 搜尋，以獲取完成任務所需的額外資訊，例如機器人可以先查詢舊金山的垃圾回收規範，再依據規定進行垃圾分類。
另一項名為「動作轉移」（motion transfer）的技術更進一步突破訓練限制。這項技術允許 AI 把針對特定機器人設計的技能，轉移到其他不同型態的機器人上，且不必重新進行繁瑣的客製化訓練。「和可以在龐大的互聯網數據上進行訓練的大型語言模型不同，收集真實數據一直是機器人技術發展上的限制，」Google DeepMind 機器人首席軟體工程師 Kanishka Rao 說明過往機器人開發上的痛點，也展現出動作轉移技術正好為「訓練數據不足」這個挑戰，提供新解方。
分類衣物、打包行李都沒問題，機器人即將迎來「ChatGPT 時刻」嗎？
Gemini Robotics 1.5 系列模型的技術突破，最終目標就是讓機器人能在日常生活中執行更多元的任務。像是在家庭場域內，機器人可以依照顏色將衣物分類；在示範打包行李的過程中，當 Google DeepMind 的研究人員要求機器人放入帽子時，機器人不僅完成指令，還透過 Google 搜尋目的地的天氣，並主動幫研究人員多放入一把雨傘。
面對機器人的技術新突破，科技產業也期待這些進展能推動醫療、製造等產業的轉型，讓機器人扮演更重要的角色。至於學界對這項發展則同時表現出樂觀與審慎，例如牛津大學應用人工智慧教授 Ingmar Posner 認為，機器人能夠從網路數據中學習，這可能意味著機器人即將迎來「ChatGPT 時刻」；然而，曼徹斯特機器人與人工智慧中心聯合主任 Angelo Cangelosi 則提醒，這些行為不應被過度解讀為真正的思考，因為機器人進行的「推理」其實只是發現像素、影像、詞彙與標記之間的規律。
通用型機器人仍有技術與安全挑戰待解
儘管技術已取得顯著突破，通用型機器人要從實驗室走向普及仍挑戰重重。「製造通用機器人的主要挑戰之一是，人類直覺的事情對機器人來說實際上相當困難，」Google DeepMind 機器人首席軟體工程師 Kanishka Rao 說。此外，DeepMind 也承認，機器人需要在靈巧度、可靠性與安全性方面進一步提升，才能在與人類共處的環境中安全運作。
另一方面，隨著具身 AI 的潛力逐步釋放，安全性與人機互動的規範也亟需建立，因此 DeepMind 正開發新的安全與校準方法，確保這些機器人能以負責任的方式運行，以考量行動風險，並遵循 Gemini 安全政策。
目前 Gemini Robotics-ER 1.5 已向開發者開放，但實際控制機器人的 Gemini Robotics 1.5 模型仍僅限於特定合作夥伴使用。
Gemini Robotics 1.5 系列模型的問世，標誌著「會思考的機器人」正逐步成形，為通用型機器人的發展邁出了關鍵一步。從衣物分類、行李打包，到醫療與製造等產業轉型，儘管仍有不少問題待解，但隨著技術正以前所未有的速度進化，機器人走向通用化的場景，也從想像變成近在不遠的現實。
＊本文開放合作夥伴轉載，資料來源：《Financial Times》 、Google DeepMind 、《arsTechnica》、《silicon Angle》，首圖來源：Google DeepMind 。
