搭載Gemini Robotics AI模型的機器人可將籃球投入籃筐。

日前，谷歌DeepMind已將大型語言模型（LLM）Gemini應(yīng)用于機器人。該公司表示，借助該模型，機器人無須觀察其他機器人的動作就可以完成某些任務(wù)。例如，將迷你籃球“扣”入桌面上的籃筐。

DeepMind是嘗試利用聊天機器人技術(shù)開發(fā)通用機器人的企業(yè)之一。然而，考慮到此類模型容易生成錯誤和有害的結(jié)果，該技術(shù)路徑存在安全隱患。

研究團隊希望開發(fā)出操作直觀、可完成多種物理任務(wù)的機器，而無須人類監(jiān)督或預(yù)設(shè)程序。DeepMind機器人團隊負責(zé)人Carolina Parada指出，通過連接Gemini模型，開發(fā)人員可以提升機器人的能力，使其能夠“理解自然語言，并更精細地認知物理世界”。

這款名為Gemini Robotics的模型于3月12日發(fā)布。美國人工智能（AI）公司CollectedAI聯(lián)合創(chuàng)始人、AI研究員Alexander Khazatsky評價稱，這是向著實現(xiàn)通用機器人目標邁出的“切實的一小步”。

DeepMind團隊以其最先進的視覺與語言模型Gemini 2.0為基礎(chǔ)展開研究，通過分析海量數(shù)據(jù)中的模式進行訓(xùn)練。

團隊開發(fā)了一個Gemini的專用版本，旨在提升涉及三維物理和空間推理的任務(wù)能力，例如預(yù)測物體運動軌跡，或從不同角度拍攝的圖像中識別物體的同一部分。

此外，研究人員利用數(shù)千小時實際遠程操作機器人演示數(shù)據(jù)對模型進行了強化訓(xùn)練。這使得機器人“大腦”能夠執(zhí)行實際任務(wù)，其原理類似于LLM通過學(xué)習(xí)可關(guān)聯(lián)生成句子中的下一個詞。

研究人員在類人機器人和機械臂上對Gemini Robotics進行了測試，涵蓋了訓(xùn)練中出現(xiàn)的任務(wù)以及未接觸過的新任務(wù)。他們說，無論面對調(diào)整了細節(jié)的熟悉任務(wù)還是新任務(wù)，搭載該模型機器人的表現(xiàn)均優(yōu)于競爭對手。

在需要精細操作的任務(wù)中，如折紙或拉上背包拉鏈，機器人在觀看了不到100次演示后，成功率便超過70%。而使用其他模型的機器人幾乎全部失敗。

Khazatsky認為，谷歌團隊在將常識植入機器人“大腦”方面成果顯著，但他指出，真正的飛躍將源自從“混亂的真實世界”而非實驗室環(huán)境收集的數(shù)據(jù)中學(xué)習(xí)。

應(yīng)用此類模型時，安全性將成為一項重大挑戰(zhàn)。DeepMind美國紐約分部機器人及AI研究員Vikas Sindhwani表示：“初期，機器人將與人類保持安全距離。未來我們將逐步實現(xiàn)更多互動和協(xié)作任務(wù)。”