谷歌DeepMind发布先思考再行动的机器人模型Gemini Robotics 1.5，规划模型向开发者开放

谷歌DeepMind于2025年9月25日发布两款机器人模型，把通用机器人的工作拆分为“规划”和“执行”两层。Gemini Robotics 1.5是视觉语言动作（VLA）模型，将摄像头画面和指令转化为电机控制命令；公司称，该模型在动作之前会先用自然语言写出推理过程。Gemini Robotics-ER 1.5则是面向具身推理的视觉语言模型（VLM），负责制定多步骤计划，可直接调用谷歌搜索等数字工具，并把执行步骤交给VLA。

两款模型的开放程度差别明显。据谷歌开发者博客，ER 1.5在发布当天即以预览版上线Google AI Studio和Gemini API，模型标识为gemini-robotics-er-1.5-preview。真正驱动机械臂的Gemini Robotics 1.5则仅向“部分合作伙伴”提供。两款模型均未公开权重。

最具体的数据来自配套技术报告。该报告为未经同行评审的预印本，于2025年10月2日发布在arXiv（编号2510.03342）。报告称，由ER 1.5调度Gemini Robotics 1.5执行长程任务时，子任务总失败率为22%；改由Gemini 2.5 Flash调度时为44.5%。其中规划失败率由25.5%降至9%，动作失败率由13%降至9%，成功判定失败率由6%降至4%。

报告还指出，单独使用“会思考的VLA”时，在最难的多步骤评测中进展得分最高为44%，而完整智能体的得分“经常接近80%”。DeepMind表示，ER 1.5在包括ERQA、Point-Bench、BLINK、CV-Bench、RoboSpatial和Where2Place在内的15个学术具身推理基准上取得综合最优。对比对象为GPT-5、GPT-5-mini、Gemini 2.5 Pro和Gemini 2.5 Flash，但多数单项分数仅以图表呈现，本文不予转引。

第二项核心主张是“动作迁移”（Motion Transfer）。DeepMind使用三种结构迥异的机器人数据训练Gemini Robotics 1.5：双臂科研平台ALOHA 2、双臂Franka系统以及Apptronik的Apollo人形机器人。公司称，在一种本体上学会的任务无需专门适配即可在其他本体上运行。报告将其与自家On-Device模型对比，后者每种本体都需要单独的检查点。

1.5代是DeepMind在2025年推出的第三批机器人模型。3月12日，公司发布基于Gemini 2.0的首代Gemini Robotics和ER模型，硬件合作方为Apptronik，受信测试方包括Agile Robots、Agility Robotics、波士顿动力和Enchanted Tools。6月24日推出On-Device模型，通过SDK向受信测试方提供，DeepMind称仅需50至100次示范即可适配新任务。Apptronik表示，谷歌参与了其2025年2月完成的3.5亿美元A轮融资。

竞争格局变化很快。Figure AI于2025年2月20日发布Helix，由运行频率7至9赫兹的70亿参数视觉语言模型和运行频率200赫兹的8000万参数控制策略组成，在机器人内置GPU上运行。英伟达于3月18日发布20亿参数的Isaac GR00T N1，可下载，但适用限制商业用途的英伟达许可。Physical Intelligence于4月22日发布pi0.5，并于9月在openpi代码库公开基础权重。Figure于9月16日以390亿美元投后估值完成10亿美元C轮融资，比DeepMind发布早九天。

对中国产业而言，这一发布提供了一个清晰的对照。宇树科技、智元机器人、银河通用等国内企业在本体硬件和供应链成本上具备优势，智元等公司也在推进自研具身大模型，不少团队选择开源路线。谷歌的做法相反：规划层以云端API开放，执行层闭源并限于合作伙伴。由于Gemini API在中国大陆无法直接使用，国内整机厂更可能以ER 1.5的公开表现作为自研模型的对标基线，而非直接接入。

从供应链看，云端规划降低了对机器人端侧大算力芯片的需求，但运动控制仍需本地算力，这对国产端侧AI芯片和通信模组厂商意味着不同的配置思路。云端推理的时延、规模化使用的价格以及工厂视频数据出境等问题，DeepMind尚未给出公开数据。

DeepMind还发布了升级版ASIMOV语义安全基准，称ER 1.5较上一代有所改进，但结果仅以图表呈现，测试也由其自行设计。后续值得关注的是Gemini Robotics 1.5的合作伙伴扩容、ER模型结束预览并公布价格，以及第三方的复现结果。