產(chǎn)業(yè)丨谷歌發(fā)布本地VLA模型，具身智能正在進入“端側(cè)時代”

作者 | 方文三

如果過去十年機器人領(lǐng)域的焦點先后經(jīng)歷了[可見]的視覺感知、[可理解]的語言理解，那么在VLA模型出現(xiàn)之后，機器人開始進入[動作精準]的第三階段。

目前，VLA模型已逐漸成為具身智能行業(yè)的共識，被視為連接感知、語言和行為的通用架構(gòu)。

VLA模型是通往通用智能的關(guān)鍵基礎(chǔ)，它使機器人能夠從互聯(lián)網(wǎng)等多源數(shù)據(jù)中學(xué)習(xí)，并將這些學(xué)習(xí)轉(zhuǎn)化為具體行動。

本地VLA模型?Gemini Robotics On-Device發(fā)布

近日，谷歌發(fā)布了Gemini Robotics On-Device，這一具身智能離線模型，實現(xiàn)了視覺-語言-動作（VLA）多模態(tài)大模型在具身機器人上的本地離線運行。

能夠同步處理視覺輸入、自然語言指令以及動作輸出。即便在無網(wǎng)絡(luò)環(huán)境下，該模型也能保持穩(wěn)定運行。

這一系列復(fù)雜的處理過程，如今均能在機器人的內(nèi)部計算單元中實現(xiàn)。

特別值得注意的是該模型的適應(yīng)性和通用性。

谷歌指出，Gemini Robotics On-Device是首個向開發(fā)者開放微調(diào)功能的機器人VLA模型，開發(fā)者能夠根據(jù)自己的特定需求和應(yīng)用場景，對模型進行個性化訓(xùn)練。

研究顯示，僅需50至100個新的任務(wù)演示（通常通過遠程操作機器人完成），模型便能迅速學(xué)習(xí)并掌握新技能，展現(xiàn)出卓越的[快速任務(wù)適應(yīng)]能力。

此外，谷歌還公開了相應(yīng)的軟件開發(fā)工具包（SDK），標志著具身智能技術(shù)向?qū)嵱没~出了新的一步。

Gemini Robotics是谷歌于三月份推出的VLA系列模型之一，其核心在于將多模態(tài)大模型的能力引入現(xiàn)實世界。

而Gemini Robotics On-Device，顧名思義，是專為機器人設(shè)備本地運行而優(yōu)化的模型。旨在以最低限度的計算資源實現(xiàn)機器人的智能化。

本地模型的優(yōu)勢在于，即便在網(wǎng)絡(luò)連接不穩(wěn)定或完全無連接的情況下，也能確保具身機器人的性能穩(wěn)定。

在多種測試場景中，Gemini Robotics On-Device展現(xiàn)了強大的視覺、語義和行為泛化能力，能夠理解自然語言指令，并完成如解開袋子或折疊衣物等高度靈巧的任務(wù)。

由于該模型獨立于數(shù)據(jù)網(wǎng)絡(luò)運行，它特別適合對延遲敏感的應(yīng)用，并確保在網(wǎng)絡(luò)間歇性或零連接的環(huán)境中也能穩(wěn)定工作。

評測數(shù)據(jù)顯示，On-Device版本在泛化性能測試中表現(xiàn)突出。

盡管在視覺泛化、語義理解和行為泛化等多個維度上，與云端版本的Gemini Robotics相比略有差距，但已大幅超越了先前最佳的本地模型。

在處理分布外任務(wù)和復(fù)雜多步驟指令時，Gemini Robotics On-Device相較于先前的本地模型也展現(xiàn)出了顯著的優(yōu)勢。

Gemini Robotics On-Device的推出，象征著具身智能從依賴云端計算能力向本地自主運行的關(guān)鍵轉(zhuǎn)變。

具身智能的部署一直面臨著挑戰(zhàn)

在此之前，包括谷歌在內(nèi)的許多機器人系統(tǒng)，通常采用一種混合架構(gòu)：在機器人上部署一個較小的模型以處理快速響應(yīng)，同時將需要復(fù)雜推理和規(guī)劃的任務(wù)交由云端強大的服務(wù)器處理。

盡管這種方法可行，但其對網(wǎng)絡(luò)連接的穩(wěn)定性和速度提出了極高的要求。

任何網(wǎng)絡(luò)延遲或中斷都可能導(dǎo)致機器人反應(yīng)遲緩甚至停擺；

同時，將傳感器數(shù)據(jù)（尤其是來自家庭或醫(yī)療等隱私敏感環(huán)境的視覺數(shù)據(jù)）上傳至云端，也引發(fā)了持續(xù)的隱私和安全顧慮。

①對云計算資源的重度依賴，這限制了機器人在網(wǎng)絡(luò)不穩(wěn)定或無網(wǎng)絡(luò)環(huán)境下的獨立作業(yè)能力；

②模型體積龐大，難以在機器人有限的計算資源上高效運行。

目前大多數(shù)機器人需要經(jīng)過成千上萬次的訓(xùn)練，才能完成一個任務(wù)。

谷歌希望為機器人領(lǐng)域提供一個開放、通用且易于開發(fā)的平臺，正如安卓系統(tǒng)對智能手機行業(yè)所做的那樣。

過去受限于帶寬和計算能力，許多機器人AI僅能進行示范。

具身智能技術(shù)的發(fā)展長期受到對云計算資源高度依賴的制約，這導(dǎo)致機器人在缺乏網(wǎng)絡(luò)連接或網(wǎng)絡(luò)不穩(wěn)定的情況下難以獨立完成任務(wù)。

此外，由于模型體積龐大，它們在機器人有限的計算資源上難以實現(xiàn)高效運行。

為機器人產(chǎn)業(yè)的實際應(yīng)用開辟了新的道路，為機器人在更廣泛場景中的應(yīng)用提供了可能性。

例如，機器人在無網(wǎng)絡(luò)連接的工廠中進行精確的零件裝配、在災(zāi)區(qū)廢墟中進行自主救援等應(yīng)用場景，都依賴于機器人端側(cè)模型的部署。

目前，由于各類機器人在本體結(jié)構(gòu)、自由度以及傳感器配置上的差異，實現(xiàn)統(tǒng)一的軟件架構(gòu)頗具挑戰(zhàn)。

一旦硬件標準實現(xiàn)統(tǒng)一，類似于智能手機生態(tài)系統(tǒng)中USB接口、鍵盤、屏幕等通用組件所形成的規(guī)范，將顯著促進算法標準化和本地部署的實現(xiàn)。

具身智能正在進入“端側(cè)時代”

本地VLA模型將使機器人更適合家庭、醫(yī)療、教育等敏感場景，解決數(shù)據(jù)隱私、實時反應(yīng)、安全穩(wěn)定性等核心挑戰(zhàn)。

在過去的幾年中，大型語言模型的[端側(cè)部署]已成為一個重要趨勢。

從最初依賴大規(guī)模云端計算資源，到如今能夠在手機、平板等邊緣設(shè)備本地運行，模型的壓縮優(yōu)化、推理加速與硬件協(xié)同不斷取得進展。

同樣的演進路徑，正在具身智能領(lǐng)域逐步展開。

VLA模型（視覺-語言-動作模型）作為具身智能的核心架構(gòu)，本質(zhì)上是賦予機器人從多模態(tài)信息中理解任務(wù)并作出相應(yīng)行動的能力。

此次大模型版本的發(fā)布，也可能在業(yè)界引發(fā)連鎖反應(yīng)。隨著AI算力和模型架構(gòu)的持續(xù)演進，[邊緣智能]正從傳統(tǒng)的物聯(lián)網(wǎng)走向以具身智能為代表的更高級階段。

本地化VLA的引領(lǐng)，預(yù)示著具身智能發(fā)展的新階段。

這一突破性技術(shù)標志著機器人AI從依賴云端計算向自主邊緣智能的轉(zhuǎn)變，為工業(yè)制造、醫(yī)療護理、家庭服務(wù)等領(lǐng)域帶來了前所未有的可能性。

徹底擺脫對云端的依賴，機器人AI實現(xiàn)了[獨立思考]。

傳統(tǒng)機器人AI系統(tǒng)普遍依賴于云端計算資源，通過網(wǎng)絡(luò)將傳感器數(shù)據(jù)上傳至遠程服務(wù)器進行處理后再傳回指令。

盡管這種架構(gòu)的計算能力強大，但其固有的缺陷包括網(wǎng)絡(luò)延遲、連接不穩(wěn)定和隱私安全問題。

今年，諸如谷歌、微軟、Figure AI等國際企業(yè)紛紛推出了各自的VLA模型，與此同時，國內(nèi)的銀河通用、智元機器人、自變量機器人等公司也已在這一領(lǐng)域展開了相應(yīng)的戰(zhàn)略部署。

今年6月1日，銀河通用正式推出了自主研發(fā)的產(chǎn)品級端到端導(dǎo)航大模型TrackVLA。

該模型具備純視覺環(huán)境感知、語言指令驅(qū)動、自主推理能力以及零樣本泛化能力的具身大模型。

而在一周后的2025北京智源大會上，銀河通用又發(fā)布了全球首個面向零售場景的端到端VLA大模型GroceryVLA。

結(jié)尾

從全球具身智能的發(fā)展趨勢來看，Gemini Robotics On-Device的推出，代表了大模型技術(shù)在機器人領(lǐng)域的一次重大范式轉(zhuǎn)變。

過去十年，機器人智能主要依賴于云端大模型的支持，而未來將轉(zhuǎn)向邊緣本地部署、大模型小型化以及高頻自適應(yīng)更新的新階段。

這一趨勢對谷歌、特斯拉等具身智能國際巨頭至關(guān)重要，同時也對我國具身智能產(chǎn)業(yè)鏈提出了更高的要求。

部分資料參考：

新智元：《谷歌讓機器人[長腦子]了！首發(fā)離線具身VLA模型，斷網(wǎng)精準操控》，量子位：《谷歌發(fā)布本地具身智能模型！全程無聯(lián)網(wǎng)執(zhí)行精細操作，從人形機器人到工業(yè)機器人全覆蓋》，DeepTech深科技：《谷歌發(fā)布Gemini Robotics On-Device，首次實現(xiàn)機器人AI模型完全本地化運行》，藍鯨TMT：《谷歌發(fā)布本地VLA模型，機器人界的[安卓系統(tǒng)]要來了？》，頭部科技：《機器人[本地最強大腦]誕生，谷歌DeepMind推出新一代VLA模型，國內(nèi)研究多維進擊》，智維洞察：《谷歌發(fā)布Gemini本地模型，具身智能再提速》，機器覺醒時代： 《谷歌RT-1模型—— 具身智能VLA模型在早期的重要探索》