探访 Google DeepMind 机器人实验室：从打包午餐到分类衣物

Hannah Fry 与机器人主管 Kanishka Rao 一起参观 Google DeepMind 加州机器人实验室。这次 2025 年的参观展示了物体操作、语言指令和将小动作组合成长任务的演示。

Rao 说，与数年前相比，视觉模型的进步让实验室对受控背景和光线的依赖降低。他将其视为视觉泛化的进展，并非证明所有环境问题都已解决。

团队在视觉语言模型基础上构建机器人系统，让模型理解场景和指令。Rao 说，这有助于机器人应对陌生的视觉环境和语言表达。

视觉语言动作模型将视觉、语言信息与实体动作连接。团队还使用智能体将较长目标拆成小动作，例如决定出行时要打包什么。

Rao 介绍了一个在行动前输出中间推理的“思考”组件。他说团队在其任务中观察到更好的表现，但演示不能证明系统在所有地方都同样可靠。

第一台机器人打包午餐，包括操作小袋子和食物。Fry 与 Rao 观看它重试和调整，并强调任务需要精细的实体操作精度。

被问到如何学习这项任务时，Rao 说，人们通过远程操作控制机器人进行示范，让它从完成任务的例子中学习。

下一个演示聚焦泛化：机器人接收移动彩色积木的语音指令，由基于 Gemini 的层解释请求。

Fry 拿出团队称机器人未见过的减压球和一个小容器，要求它打开容器、放入球并盖好。这个过程测试新物体和多条指令。

Rao 解释，编排器可以将高层请求转化为动作模型的短指令。目标是完成较长任务，而不让用户指定每一个动作。

一个例子中，系统查询当地垃圾分类指引并整理物品。演示展示信息检索、推理和实体动作的结合，并不能保证它在所有地点都能正确分类。

Rao 说，该任务有两个组件：推理模型负责指挥，视觉语言动作模型负责执行动作。两个系统在整个序列中配合。

一台人形机器人将衣物分类放入篮中，同时输出关于动作的中间文本。Rao 说，这个演示使用同一模型进行思考和行动，而不是前一个例子中的分层结构。

研究人员随后拿出他们称未出现在训练中的物体，让机器人放入容器。Fry 观察到机器人虽然尝试适应，但速度较慢，有时也会失败。

Rao 认为这些系统是通用机器人技术的基础，但预计仍需要至少一次重大突破。他指出训练需要大量实体交互数据。

他说，更多数据本身可能无法解决所有问题：可靠完成任务和安全仍是挑战。团队还希望从人类操作视频中学习，但如何将这些信息迁移到机器人仍是开放问题。

Fry 最后指出实验室中可见的进步与局限：机器人有时仍然缓慢笨拙。她对机器人革命即将到来的判断是未来展望，并不是说系统已经适合所有场景。