谷歌发布本地VLA模型，机器人界的“安卓系统”要来了？

AI快讯 2025-06-29

“以往受限于带宽和算力，很多机器人 AI 只能做示范。这次谷歌的进展，意味着通用模型可以真正运行在硬件终端上，未来不依赖联网也能做复杂操作。”6 月 25 日，Google DeepMind 正式发布首个可完全在机器人本地部署的视觉 - 语言 - 动作模型（Visual-Language-Action，VLA）——Gemini Robotics On-Device。这一发布，标志着具身智能（Embodied AI）从依赖云端算力，迈入本地自主运行的关键转折点，为该产业的落地开启了新的可能性。

一直以来，具身智能的部署面临两大难题：一是对云计算资源过度依赖，这使得机器人在网络不稳定或无网络环境下，难以独立作业；二是模型体积庞大，在机器人有限的计算资源上，难以高效运行。

据官方介绍，Gemini Robotics On-Device 能够在算力受限的机器人设备上本地运行，同时展现出卓越的通用性和任务泛化能力。由于无需依赖数据网络，该模型在对延迟敏感的应用程序中优势显著。

从实际操作表现来看，该模型的通用能力和稳定性令人瞩目。在 Google DeepMind 展示的演示视频里，机器人在无网络连接的状态下，顺利完成了 “把一个魔方放进包装袋里”“拉开一个包包的拉链” 等任务，这些任务涉及感知、语义理解、空间推理和高精度执行等多个环节。

DeepMind 研究人员表示，它具备 Gemini Robotics 的通用性和灵活性，可立即处理各种复杂的双手任务，而且只需 50 - 100 次演示，就能学习新技能。一位机器人领域工程师提到，目前大部分机器人完成一个任务，往往需要进行成千上百次训练。由此可见，谷歌的新模型极大地拓展了模型的应用范围和部署灵活性。

值得一提的是，尽管该模型最初是针对特定机器人进行训练的，但它能够泛化到不同形态的机器人上，如双臂机器人和人形机器人，这进一步挖掘了其应用潜力。在演示视频中，在双臂 Franka 上，该模型不仅能执行通用指令，处理从未见过的物体和场景，还能完成折叠衣服这类精细任务，以及工业皮带组装这种对精确度和灵巧性要求颇高的任务。

此外，谷歌首次开放 VLA 模型的微调功能，工程师或机器人公司可基于自有数据对模型进行定制训练，从而优化其在特定任务、场景或硬件平台上的表现，进一步提升应用效率与实用价值。同时，谷歌还推出了 Gemini Robotics SDK，方便开发者进行模型评估和快速调整。这些举措表明，谷歌致力于为机器人领域打造一个开放、通用且易于开发的平台，就如同安卓系统对智能手机行业的意义一样。

有具身智能领域专家表示：“这标志着机器人终于可以走入真实环境了。以往受限于带宽和算力，很多机器人 AI 只能做示范。这次谷歌的进展，意味着通用模型可以真正运行在硬件终端上，未来不依赖联网也能做复杂操作。” 具身智能曾被视为 AGI 通向现实世界的桥梁，而具备本地部署能力的 VLA 模型，无疑是这座桥梁通车的关键因素。该专家还提到，本地 VLA 模型使机器人更适用于家庭、医疗、教育等对隐私和安全要求较高的场景，能够有效解决数据隐私、实时反应、安全稳定性等核心问题。

过去几年，大语言模型的 “端侧部署” 已成为重要趋势之一。从最初依赖大规模云端计算资源，到如今能在手机、平板等边缘设备本地运行，模型的压缩优化、推理加速与硬件协同不断取得进展。同样的演进路径，正在具身智能领域逐步显现。VLA 模型作为具身智能的核心架构，其本质是赋予机器人从多模态信息中理解任务并做出行动的能力。此前，这类模型通常依赖强大的云端资源进行推理和决策，由于网络带宽、算力功耗与实时性等方面的瓶颈，难以在现实复杂环境中高效运行。

谷歌此次发布 Gemini Robotics On-Device，意味着具身智能正在进入类似语言模型的 “端侧时代”。它不仅在有限算力下实现了稳定运行，还具备良好的通用性与迁移能力，能够支持快速学习与适配不同任务和机器人形态。此次发布，或许会引发业界的连锁反应。随着 AI 算力和模型架构的持续演进，“边缘智能” 正从传统的物联网（IoT）向以具身智能为代表的更高级阶段迈进。

有投资人表示，本地 VLA 模型将成为下一个必争之地。“目前各类机器人在本体结构、自由度和传感器配置上差异较大，统一的软件架构难以实现。一旦硬件标准趋于统一，就像智能手机生态中 USB 接口、键盘、屏幕等通用组件形成规范一样，将大力推动算法的标准化与本地部署的实现。” 他认为，谷歌构建 “机器人安卓生态” 的愿景，预示着一个更标准化、易于开发与普及的具身智能时代有望到来。

不过，在实际落地过程中，挑战依然严峻。机器人硬件的多样性和复杂性是突出问题，市场上各式各样的机器人硬件，意味着即便有强大的通用模型，也需针对每种具体硬件进行细致的适配和调优。此外，要在海量、多样化的实际应用场景中真正落地，数据收集和标注的成本可能极高，特别是在工业或特定服务场景中，这些场景往往需要专业操作知识和设备。更为关键的是，机器人需要在极其复杂、动态且不可预测的真实世界环境中保持鲁棒性。光照变化、物体遮挡、非结构化杂乱环境，以及人机交互中的细微差异，都会对模型的实时感知和决策能力提出严苛考验。确保机器人在各种实际场景中都能保持高水平的稳定性和安全性，是未来具身智能发展必须持续攻克的难题。