就在不久前，Google Deepmind正式推出了面向物理世界的运算模型Gemini Robotics，意味着他们在机器人应用上的更进一步。
根据Google的介绍，具体推出的模型有二：
- Gemini Robotics 1.5：Google目前最强的视觉-语言-行动（VLA）模型。它能把视觉信息与指令转化为机器人执行任务所需的电机控制指令。该模型会先思考再行动，并以可见过程展示其推理，帮助机器人更透明地评估与完成复杂任务。同时，它还能跨不同形态的机器人进行学习，加速技能迁移。
- Gemini Robotics-ER 1.5：则是Google最强的视觉-语言模型（VLM），用于具身推理。它能够理解物理世界、原生调用数字工具，并为任务生成细致的多步骤计划。该模型如今在多项空间理解基准上达到了最新 SOTA 水平。
Gemini Ronotics ER 1.5被视为是“高层大脑”，负责统筹机器人的活动、评估、决策、进行语言交互等等，其后将自然语言指令交给Gemini Robotics 1.5，后者透过视觉和语言理解来进行动作，也会透过思考指令、理解并解释思考过程等，更像是负责“执行”的模型。
根据Google的说法，这个Gemini Robotics 1.5是“通往物理世界AGI”的重要里程碑，其重要的关键点在于这个算法不只是单纯的针对指令作出反应，而是能够去推理、规划、主动使用工具的系统，也就是说，这样的AI能够让机器人更为自主的行动，而不是单纯的说一步动一步。
其中，Gemini Robotics-ER 1.5能够“体化认知”，简单来说就是像人类一样用自己的身体与这个世界进行认知，并表示在学术和内部评测基准中获得了“State of the art”（SOTA）级别的思考能力，能够很好的在现实世界运作。
也强调Gemini Robotics重视的是“行动前思考”，Google以“按颜色分类衣物”这个命令为例，机器人除了会依照命令形式意外，也会思考步骤规划以及进行这个动作的细节，会将长任务分解为各种更短的多个小任务，来提升成功率、以及适应环境的变化等。
另外，这次的AI模型还能将学习的成果从一个机器人迁移到另一个机器人身上，进而加速学习，同时Google也强调会强调机器人的安全性，以及确保与人类能够友好尊重的对话等。
