全球首個具備模擬推理能力的具身模型來了！

谷歌DeepMind正式發(fā)布新一代通用機(jī)器人基座模型——Gemini Robotics 1.5系列。

它不止于對語言、圖像進(jìn)行理解，還結(jié)合了視覺、語言與動作（VLA），并通過具身推理（Embodied Reasoning）來實現(xiàn)“先思考，再行動”。

這一系列由兩大模型組成：

• Gemini Robotics 1.5（GR 1.5）：負(fù)責(zé)動作執(zhí)行的多模態(tài)大模型；
• Gemini Robotics-ER 1.5（GR-ER 1.5）：強(qiáng)化推理能力，提供規(guī)劃與理解支持。

其中，ER代表“具身推理”。

這意味著GR-ER 1.5是全球首個具備模擬推理能力的具身模型。

不過，GR-ER 1.5并不執(zhí)行任何實際操作，GR 1.5正是為執(zhí)行層而生。

兩者結(jié)合，能讓機(jī)器人不僅完成“折紙、解袋子”這樣的單一動作，還能解決“分揀深淺色衣物”甚至“根據(jù)某地天氣自動打包行李”這種需要理解外部信息、分解復(fù)雜流程的多步任務(wù)。

甚至，它能根據(jù)特定地點的特定要求（比如北京和上海的不同垃圾分類標(biāo)準(zhǔn)），自己上網(wǎng)搜索，以幫助人們完成垃圾分類。

而且用上GR 1.5系列的模型，還能夠在多種不同的機(jī)器人之間進(jìn)行能力的零樣本跨平臺遷移。

Unbelivable～

毫不夸張地說，這是谷歌繼Gemini 2.5之后，又一個將通用AI推向現(xiàn)實世界的重要里程碑。

哈斯比斯也激動表示：

GR 1.5以多模態(tài)Gemini為基礎(chǔ)，展示了其能夠理解并推理物理世界的強(qiáng)大功能。未來機(jī)器人將變得至關(guān)重要——我們對這項開創(chuàng)性工作感到非常興奮！

GR 1.5系列五大能力展示

先來看一段視頻——

我們來把GR 1.5系列在發(fā)布中展示的能力，總結(jié)為五個關(guān)鍵詞：

執(zhí)行復(fù)雜長程任務(wù)，中間還能自我檢測并修正

不僅限于一次抓取、一次搬運，GR 1.5能執(zhí)行包含多步子任務(wù)的長流程。

比如：

• 把不同顏色的衣服分類；
• 從衣柜取出雨衣，再打包進(jìn)行李箱；
• 在廚房完成配料準(zhǔn)備，甚至嘗試烹飪流程。

在GR 1.5這里，任務(wù)被分解成多個階段，機(jī)器人逐一完成。

更重要的是，在執(zhí)行任務(wù)的過程中，GR 1.5能檢測成功與否，并自動修正。

適配多種機(jī)器人硬件

同一個模型，既可以驅(qū)動低成本雙臂機(jī)器人ALOHA，還可以驅(qū)動工業(yè)級Franka，還可以驅(qū)動人形機(jī)器人Apollo。

一整個絲滑無縫遷移使用。

這意味著，不需要針對每個平臺單獨訓(xùn)練，一個通用模型就能上手不同團(tuán)隊、不同形態(tài)的多種硬件。

跨機(jī)器人遷移

谷歌DeepMind機(jī)器人部門負(fù)責(zé)人Carolina Parada表示：

如今的機(jī)器人高度定制化，部署困難，往往需要數(shù)月時間來安裝一個只能執(zhí)行單一任務(wù)的單元。

轉(zhuǎn)觀GR 1.5系列，這個模型在ALOHA上學(xué)會的技能，可以直接遷移到Franka；在Franka上訓(xùn)練的操作，能零樣本轉(zhuǎn)移到Apollo。

這背后的關(guān)鍵在于Motion Transfer技術(shù)（詳細(xì)介紹見后文），使機(jī)器人不再局限于“誰教誰用”，而是真正形成跨平臺的通用動作理解。

推理型具身模型

如前文介紹，GR-ER 1.5是一個具身推理模型。

這使得GR 1.5系列加持下的機(jī)器人在行動前，會在內(nèi)心生成一段內(nèi)心獨白。

它會先用自然語言把復(fù)雜任務(wù)拆解為小步驟，再逐一執(zhí)行。

這種顯性思考不僅讓機(jī)器人更穩(wěn)健，也讓人類可以清晰看到它的思考過程，提升了可解釋性。

GR 1.5系列的兩款模型協(xié)同工作，共同推理思考如何完成任務(wù)。

如下圖展示：

安全可解釋

在演示中，研究人員展示了GR 1.5系列加持下的機(jī)器人，在操作中如何自我修正：

比如抓起水瓶失敗后，立刻轉(zhuǎn)換方案，用另一只手完成任務(wù)。

同時，模型還能識別潛在風(fēng)險，避免危險動作，確保在人類環(huán)境中運行時的安全性。

提出全新“Motion Transfer”機(jī)制

Gemini Robotics 1.5最大的突破，在于實現(xiàn)了“規(guī)劃+執(zhí)行”的完整閉環(huán)。

前面我們已經(jīng)提到過，這一系列由兩大模型組成：

• GR 1.5：VLA模型，專注將語言/視覺輸入轉(zhuǎn)化為動作輸出。
• GR-ER 1.5：強(qiáng)化推理的Vision-Language模型，負(fù)責(zé)高層規(guī)劃、工具使用與進(jìn)度監(jiān)控。

兩款模型都基于Gemini基礎(chǔ)模型構(gòu)建而來，但已使用適應(yīng)物理空間操作的數(shù)據(jù)進(jìn)行微調(diào)。

其中，前者是執(zhí)行者，能夠直接把自然語言和視覺輸入轉(zhuǎn)化為低層級的機(jī)器人動作。

后者是大腦指揮官，負(fù)責(zé)理解復(fù)雜任務(wù)、做出高層規(guī)劃，并在必要時調(diào)用外部工具、監(jiān)控任務(wù)進(jìn)度。

二者組合成一個Agentic Framework，讓機(jī)器人不僅能聽懂指令，還能思考如何完成并執(zhí)行到底，以此實現(xiàn)“規(guī)劃+執(zhí)行”的閉環(huán)。

支撐這一體系的，是GR 1.5系列龐大而多樣化的數(shù)據(jù)來源。

一方面，團(tuán)隊采集了大量真實機(jī)器人在ALOHA、Franka、Apollo等平臺上完成的成千上萬種操作數(shù)據(jù)。

另一方面，數(shù)據(jù)集中還引入了互聯(lián)網(wǎng)中的文本、圖像與視頻信息，確保模型既擁有來自現(xiàn)實的動作經(jīng)驗，具備廣泛的語義與世界知識。

要真正讓不同形態(tài)的機(jī)器人共享技能，單靠數(shù)據(jù)還不夠。

為此，研究團(tuán)隊提出了全新的Motion Transfer機(jī)制。

Motion Transfer的核心思路，是把不同機(jī)器人平臺的運動軌跡和操作經(jīng)驗，映射到一個統(tǒng)一的動作語義空間中。

這樣一來，看似完全不同的硬件——比如機(jī)械臂與人形機(jī)器人——在模型眼中就有了共通語言，于是能把不同機(jī)器人平臺的動作映射到一個統(tǒng)一的表示空間，使得GR 1.5系列具備操作經(jīng)驗跨機(jī)器人遷移的能力。

更重要的是，Motion Transfer不只是做簡單的對齊，它還結(jié)合了跨平臺的大規(guī)模數(shù)據(jù)。

它“提煉”出了物理世界的通用規(guī)律：

物體怎么被抓住、怎樣保持平衡、不同環(huán)境下動作要如何調(diào)整……以此增強(qiáng)任務(wù)泛化和跨機(jī)器人遷移測試的能力和水平。

同時，在訓(xùn)練過程中，大約九成以上的迭代都在MuJoCo仿真環(huán)境中完成，模型先在虛擬世界里快速試錯、迭代，再遷移到真實機(jī)器人進(jìn)行驗證。

這樣一來，不僅顯著提升了研發(fā)效率，也保證了在現(xiàn)實硬件上執(zhí)行時的穩(wěn)定性與安全性。

三大核心創(chuàng)新，還不犧牲安全性

研究團(tuán)隊提出，GR 1.5系列的核心價值，在于同時實現(xiàn)了三個方面的創(chuàng)新與突破。

最引人注目的，是它讓機(jī)器人具備了思考推理的能力。

在傳統(tǒng)的模型中，動作往往是對指令的直接映射，而 GR 1.5 在行動前會先生成一段思考軌跡，把復(fù)雜任務(wù)拆解成小步驟，再逐一執(zhí)行。

這種顯性推理不僅讓機(jī)器人在多步任務(wù)中更穩(wěn)健，還讓研究人員和用戶能夠直接看到它的思考過程，增強(qiáng)了可解釋性和信任感。

另一項突破是跨平臺的技能遷移。

過去，機(jī)器人學(xué)習(xí)往往被局限在某一特定平臺上，數(shù)據(jù)難以復(fù)用。

但GR 1.5系列在引入Motion Transfer機(jī)制后，把不同機(jī)器人之間的動作經(jīng)驗抽象到統(tǒng)一空間，使得在機(jī)器人甲身上學(xué)到的技能，可以直接遷移到機(jī)器人乙身上——甚至在未見過的新環(huán)境中也能順利執(zhí)行。

這意味著機(jī)器人不再被硬件形態(tài)束縛，而是能夠共享整個生態(tài)的知識與經(jīng)驗。

與此同時，具身推理模型GR-ER 1.5把“理解物理世界”的能力推向了新高度。

它不僅能進(jìn)行空間理解和任務(wù)規(guī)劃，還能實時評估任務(wù)進(jìn)度，識別潛在風(fēng)險，甚至在復(fù)雜場景中做出類似人類的推斷與修正。

在學(xué)術(shù)基準(zhǔn)測試中，GR-ER 1.5在空間推理、復(fù)雜指點、進(jìn)度檢測等任務(wù)上全面超越了GPT-5和Gemini 2.5 Flash，刷新了業(yè)界的表現(xiàn)上限。

研究團(tuán)隊還對GR 1.5系列做了更多評測：

在230項任務(wù)的基準(zhǔn)測試中，GR 1.5在指令泛化、動作泛化、視覺泛化和任務(wù)泛化四個維度上都表現(xiàn)出色，明顯優(yōu)于前代模型。

在長時序任務(wù)上，結(jié)合GR-ER 1.5的系統(tǒng)，任務(wù)完成進(jìn)度分?jǐn)?shù)最高接近80%，幾乎是單一VLA模型的兩倍。

尤其值得注意的是，在跨機(jī)器人遷移測試中，模型展現(xiàn)出了前所未有的零樣本遷移能力。

更關(guān)鍵的是，這種強(qiáng)大性能并沒有以犧牲安全為代價。

如下圖數(shù)據(jù)顯示，GR 1.5 在ASIMOV-2.0安全基準(zhǔn)中表現(xiàn)出更高的風(fēng)險識別與干預(yù)能力，能夠理解動作背后的物理風(fēng)險，并在必要時觸發(fā)保護(hù)機(jī)制。

配合自動紅隊測試的持續(xù)打磨，模型在抵御對抗攻擊、避免幻覺響應(yīng)等方面也展現(xiàn)出更強(qiáng)魯棒性。

One More Thing

讓我們簡單回溯一下——

今年3月，谷歌首次推出了讓機(jī)器人擁有多模態(tài)理解能力的Gemini Robotics系列；6月，又推出了Gemini Robotics On-Device，這是一個針對快速適配和機(jī)器人硬件上穩(wěn)健靈巧性進(jìn)行優(yōu)化的本地版本。

Parada表示，隨著這次更新，GR系列正從執(zhí)行單一指令轉(zhuǎn)向?qū)ξ锢砣蝿?wù)進(jìn)行真正的理解和解決問題。

But！

噔噔噔，最后敲個黑板：

目前，開發(fā)者已經(jīng)可以通過Google AI Studio中的Gemini API使用GR-ER 1.5，而GR 1.5只供少數(shù)谷歌DeepMind的合作伙伴使用。

等等黨們，看來還要再等等等等等一會了……

參考鏈接：
[1]https://x.com/demishassabis/status/1971292365592854602?s=46&t=fzKJptGJMpr-yj3MUXd6HA
[2]https://arstechnica.com/google/2025/09/google-deepmind-unveils-its-first-thinking-robotics-ai/
[3]https://www.theverge.com/news/785193/google-deepmind-gemini-ai-robotics-web-search
[4]https://the-decoder.com/google-deepmind-brings-agentic-ai-capabilities-into-robots-with-two-new-gemini-models/