剛剛，Google DeepMind 發(fā)布了最新的機器人推理模型——
Gemini Robotics-ER 1.6。
搭載它的波士頓動力機器狗 Spot，現(xiàn)在能走到工廠里的壓力表前，停下來，讀出數(shù)字。精確到刻度以下。
機械臂面對操作任務(wù)時，也能判斷什么時候開始，什么時候算完成。
說起來，這已經(jīng)是 Gemini Robotics 主打空間推理的第三代模型。
九年前谷歌把波士頓動力賣掉，今年 CES 剛宣布重新合作，ER 1.6 就是這次新開始的第一個正式成果。
掌門人哈薩比斯也是第一時間轉(zhuǎn)發(fā)了。
谷歌搜索、VLA、或者開發(fā)者自己定義的任何函數(shù)，都可以直接調(diào)用。
相比上一代 ER 1.5 和 Gemini 3.0 Flash，新模型在空間推理、物體計數(shù)、任務(wù)成功檢測上均有顯著提升。
還多了一個全新能力，讀儀表。
在技術(shù)博客中，Laura Graesser 和 Peng Xu 兩位作者開篇寫道：
機器人要真正有用，就必須不只是執(zhí)行指令，而是要對物理世界進行推理。
ER 1.6 的核心升級圍繞一件事，讓機器人真正「看懂」它所處的環(huán)境。
儀表識別
先看 Spot 在工廠里做的那件事。
工業(yè)設(shè)施里有大量儀器需要持續(xù)監(jiān)控，溫度計、壓力表、化學(xué)視鏡。以前 Spot 能走過去拍一張照片，但看不懂上面的數(shù)字。
ER 1.6 讓這件事變了。
模型讀儀表分三步。先放大，把小刻度看清楚；再用 Pointing 定位指針和刻度，結(jié)合代碼計算比例；最后調(diào)用世界知識，把數(shù)字解釋成有意義的讀數(shù)。
這套組合的效果，ER 1.5 的儀表識別成功率是 23%，加上 Agentic Vision 之后，ER 1.6 達到了93%。
儀表識別等能力和更可靠的任務(wù)推理，將使 Spot 能夠完全自主地觀察、理解并應(yīng)對現(xiàn)實世界的挑戰(zhàn)。
Pointing，空間推理的基石
儀表識別能做到這一步，背后是Pointing能力的支撐。
Pointing 是 ER 模型從初代就在練的基本功。簡單說，就是讓模型用「點」來表達它對空間的理解，哪里有什么，有幾個，怎么移動，抓哪里最合適。
ER 1.5 在這一任務(wù)上表現(xiàn)不佳：給它一張工具圖，它數(shù)錯了錘子數(shù)量，漏掉了剪刀，還把圖里根本不存在的手推車給「指」了出來。
ER 1.6 則能把這些全部答對，錘子 2 把、剪刀 1 把、畫筆 1 支、鉗子 6 把，一個不差。更關(guān)鍵的是，對于圖里沒有的東西，它知道不去指。
成功檢測，知道什么時候停
ER 1.6 還有一個升級，成功檢測。
知道任務(wù)何時結(jié)束，和知道如何開始，同樣是自主性的核心。
以前的系統(tǒng)，做完一個動作就算完了。但真實場景里有遮擋、有光線變化、有模糊指令，「做完了」這件事本身就需要判斷。
ER 1.6 強化了多視角推理，機器人通常有多個攝像頭，頭頂一個、手腕一個，系統(tǒng)需要把這些視角合并成一個連貫的判斷。
比如開頭的那個 demo：把藍色筆放進黑色筆筒，任務(wù)完成了嗎？
ER 1.6 能從多個角度的畫面里，給出一個可靠的答案。
順帶一提，這也是谷歌迄今最安全的機器人模型。
在對抗性空間推理任務(wù)里，ER 1.6 對安全指令的遵循程度優(yōu)于所有前代版本。
不處理液體、不搬運超過 20 公斤的物體，這類物理安全約束，ER 1.6 能通過 Pointing 等空間輸出做出更準確的判斷。
谷歌與波士頓動力
看到 Spot，你可能會好奇，為啥谷歌要用波士頓動力的狗？
事情是這樣的：
谷歌 2013 年收購波士頓動力，2017 年賣給軟銀，理由是看不到商業(yè)閉環(huán)。
2020 年現(xiàn)代汽車以 8.8 億美元接盤。然后 2025 年 11 月，波士頓動力的前 CTO Aaron Saunders離職，加入了谷歌 DeepMind。
2026 年 1 月 CES，兩家在現(xiàn)代汽車的發(fā)布會上宣布正式合作，目標是把 Gemini Robotics 部署到 Atlas 人形機器人上。
哈薩比斯的說法是，谷歌不做硬件，要成為「機器人領(lǐng)域的 Android」，給所有機器人廠商提供大腦。
這次 ER 1.6 發(fā)布，署名了兩位作者，Laura Graesser和Peng Xu。
Laura Graesser是牛津本科、NYU 碩士出身，2018 年加入 Google，2023 年至今在 DeepMind 做機器人研究，還合著過一本強化學(xué)習(xí)教科書《Foundations of Deep Reinforcement Learning》。
[ 1 ] https://deepmind.google/blog/gemini-robotics-er-1-6/
[ 2 ] https://deepmind.google/models/gemini-robotics/gemini-robotics/
一鍵三連「點贊」「轉(zhuǎn)發(fā)」「小心心」
歡迎在評論區(qū)留下你的想法！
— 完 —
誰會代表 2026 年的 AI？
龍蝦爆火，帶動一波 Agent 與衍生產(chǎn)品浪潮。
但真正值得長期關(guān)注的 AI 公司和產(chǎn)品，或許不止于此。
如果你正在做，或見證著這些變化，歡迎申報。
讓更多人看見你。 https://wj.qq.com/s2/25829730/09xz/
一鍵關(guān)注 點亮星標
科技前沿進展每日見
