藍(lán)鯨新聞 6 月 25 日訊（記者 武靜靜）6 月 25 日，Google DeepMind 正式發(fā)布首個(gè)可完全在機(jī)器人本地部署的視覺 - 語(yǔ)言 - 動(dòng)作模型（Visual-Language-Action, VLA）—— Gemini Robotics On-Device。
這也意味著，具身智能（Embodied AI）正在從依賴云端算力，邁入本地自主運(yùn)行的關(guān)鍵轉(zhuǎn)折點(diǎn)，也為產(chǎn)業(yè)落地打開了新的可能性窗口。
少量演示即可快速學(xué)習(xí)，具有跨機(jī)器人形態(tài)泛化能力
一直以來，具身智能的部署面臨著兩大挑戰(zhàn)：一是對(duì)云計(jì)算資源的重度依賴，這限制了機(jī)器人在網(wǎng)絡(luò)不穩(wěn)定或無網(wǎng)絡(luò)環(huán)境下的獨(dú)立作業(yè)能力；二是模型體積龐大，難以在機(jī)器人有限的計(jì)算資源上高效運(yùn)行。
據(jù)官方介紹，Gemini Robotics On-Device 能夠在算力受限的機(jī)器人設(shè)備上本地運(yùn)行，同時(shí)展現(xiàn)出卓越的通用性和任務(wù)泛化能力。由于該模型無需依賴數(shù)據(jù)網(wǎng)絡(luò)，因此對(duì)于對(duì)延遲敏感的應(yīng)用程序具有顯著優(yōu)勢(shì)。
值得注意的是，盡管模型最初針對(duì)特定機(jī)器人訓(xùn)練，但它能泛化到不同的機(jī)器人形態(tài)，如雙臂機(jī)器人和人形機(jī)器人，極大地?cái)U(kuò)展了其應(yīng)用潛力。在演示視頻中可以看到，在雙臂 Franka 上，該模型可以執(zhí)行通用指令，包括處理以前未見過的物體和場(chǎng)景、完成折疊衣服等靈巧的任務(wù)，或執(zhí)行需要精確度和靈巧性的工業(yè)皮帶組裝任務(wù) 。
此外，谷歌首次開放 VLA 模型的微調(diào)功能，這意味著工程師或機(jī)器人公司可以基于自有數(shù)據(jù)對(duì)模型進(jìn)行定制訓(xùn)練，從而優(yōu)化其在特定任務(wù)、場(chǎng)景或硬件平臺(tái)上的表現(xiàn)，進(jìn)一步提升應(yīng)用效率與實(shí)用價(jià)值。同時(shí)，谷歌還推出了 Gemini Robotics SDK，方便開發(fā)者進(jìn)行模型評(píng)估和快速調(diào)整。從這些動(dòng)作可以看出，谷歌希望為機(jī)器人領(lǐng)域提供一個(gè)開放、通用且易于開發(fā)的平臺(tái)，就像安卓系統(tǒng)為智能手機(jī)行業(yè)所做的那樣。
具身智能正在進(jìn)入 " 端側(cè)時(shí)代 "
" 這標(biāo)志著機(jī)器人終于可以走入真實(shí)環(huán)境了。一位具身智能領(lǐng)域?qū)＜腋嬖V藍(lán)鯨科技記者，"以往受限于帶寬和算力，很多機(jī)器人 AI 只能做示范。這次谷歌的進(jìn)展，意味著通用模型可以真正運(yùn)行在硬件終端上，未來不依賴聯(lián)網(wǎng)也能做復(fù)雜操作。"
具身智能一度被認(rèn)為是 AGI 通向現(xiàn)實(shí)世界的橋梁，而具備本地部署能力的 VLA 模型，則是這座橋梁通車的關(guān)鍵一環(huán)。前述專家告訴藍(lán)鯨科技記者，本地 VLA 模型將使得機(jī)器人更適合家庭、醫(yī)療、教育等敏感場(chǎng)景，解決數(shù)據(jù)隱私、實(shí)時(shí)反應(yīng)、安全穩(wěn)定性等核心挑戰(zhàn)。
過去幾年，大語(yǔ)言模型的 " 端側(cè)部署 " 已成為重要趨勢(shì)之一。從最初依賴大規(guī)模云端計(jì)算資源，到如今能夠在手機(jī)、平板等邊緣設(shè)備本地運(yùn)行，模型的壓縮優(yōu)化、推理加速與硬件協(xié)同不斷取得進(jìn)展。
同樣的演進(jìn)路徑，正逐步發(fā)生在具身智能領(lǐng)域。VLA 模型（視覺 - 語(yǔ)言 - 動(dòng)作）作為具身智能的核心架構(gòu)，其本質(zhì)是讓機(jī)器人具備從多模態(tài)信息中理解任務(wù)并做出行動(dòng)的能力。此前這類模型往往需要依賴強(qiáng)大的云端資源進(jìn)行推理和決策，受制于網(wǎng)絡(luò)帶寬、算力功耗與實(shí)時(shí)性瓶頸，難以在現(xiàn)實(shí)復(fù)雜環(huán)境中高效運(yùn)行。
谷歌此次發(fā)布的 Gemini Robotics On-Device，意味著具身智能正在進(jìn)入類似語(yǔ)言模型的 " 端側(cè)時(shí)代 "。它不僅在有限算力下實(shí)現(xiàn)了穩(wěn)定運(yùn)行，還具備良好的通用性與遷移能力，能夠支持快速學(xué)習(xí)與適配不同任務(wù)和機(jī)器人形態(tài)。此次發(fā)布，也可能引發(fā)業(yè)界連鎖反應(yīng)。隨著 AI 算力和模型架構(gòu)的持續(xù)演進(jìn)，" 邊緣智能 " 正從傳統(tǒng)的物聯(lián)網(wǎng)（IoT）走向以具身智能為代表的更高級(jí)階段。
本地 VLA 模型將成為下一個(gè)必爭(zhēng)之地。"目前各類機(jī)器人在本體結(jié)構(gòu)、自由度和傳感器配置上的差異，使得統(tǒng)一的軟件架構(gòu)難以實(shí)現(xiàn)。" 一位關(guān)注機(jī)器人領(lǐng)域的投資人表示，"一旦硬件標(biāo)準(zhǔn)趨于統(tǒng)一，正如智能手機(jī)生態(tài)中 USB 接口、鍵盤、屏幕等通用組件所形成的規(guī)范一樣，將大大推動(dòng)算法的標(biāo)準(zhǔn)化與本地部署的實(shí)現(xiàn)。" 他認(rèn)為，谷歌正在構(gòu)建的 " 機(jī)器人安卓生態(tài) " 愿景，預(yù)示著一個(gè)更加標(biāo)準(zhǔn)化、易于開發(fā)與普及的具身智能有望到來。
不過，在實(shí)際落地中挑戰(zhàn)依舊不容小覷，機(jī)器人硬件的多樣性和復(fù)雜性依然是突出問題，市場(chǎng)上形形色色的機(jī)器人硬件意味著即使是強(qiáng)大的通用模型，也需針對(duì)每種具體硬件進(jìn)行細(xì)致的適配和調(diào)優(yōu)。此外，要在海量、多樣化的實(shí)際應(yīng)用場(chǎng)景中真正落地，數(shù)據(jù)收集和標(biāo)注的成本可能異常高昂，特別是在需要專業(yè)操作知識(shí)和設(shè)備的工業(yè)或特定服務(wù)場(chǎng)景。
更重要的是，機(jī)器人需要在極其復(fù)雜、動(dòng)態(tài)且不可預(yù)測(cè)的真實(shí)世界環(huán)境中保持魯棒性。光照變化、物體遮擋、非結(jié)構(gòu)化雜亂環(huán)境，以及人機(jī)交互中的細(xì)微差異，都將對(duì)模型的實(shí)時(shí)感知和決策能力提出嚴(yán)苛考驗(yàn)。確保機(jī)器人在各種實(shí)際場(chǎng)景中都能保持高水平的穩(wěn)定性和安全性，是未來具身智能發(fā)展必須持續(xù)攻克的難題。
