Google DeepMind 發布 Gemini Robotics‑ER 1.6：提升空間推理與儀表讀取能力的機器人大腦

背景與模型定位

Google DeepMind 研究團隊在 2026 年 4 月發表 Gemini Robotics‑ER 1.6，作為機器人嵌入式推理模型的重大升級。此模型被設計為機器人的「認知大腦」，負責視覺與空間理解、任務規劃以及成功偵測，並透過呼叫工具（如 Google Search、視覺語言動作模型 VLA）或第三方函式執行高階決策。

雙模型架構說明

DeepMind 採用雙模型策略：Gemini Robotics 1.5 為視覺語言動作（VLA）模型，直接將影像與指令轉譯為機械臂的動作；Gemini Robotics‑ER 則專注於空間與物理推理，提供高階洞見協助 VLA 決定下一步動作。兩者如同策略家與執行者的分工。

新功能與技術突破

1️⃣ 指向（pointing）能力升級：模型可在像素層級定位目標，支援精準偵測、計數、關聯邏輯、軌跡規劃與約束推理，例如「將 X 移動至位置 Y」或「標記所有可放入藍杯的物件」。

2️⃣ 成功偵測與多視角推理：支援多相機（俯視、腕部）資訊融合，即使在遮擋或動態環境中，也能判斷任務是否完成，並決定是否重試或進入下一階段。

3️⃣ 儀表讀取（instrument reading）：首次加入類比儀表、壓力計、視窗玻璃以及數位讀值的解讀能力。模型先放大圖像細部，再利用指向與程式碼執行估算比例，最後結合世界知識產出讀值。

效能比較

內部基準測試顯示，Gemini Robotics‑ER 1.6 在儀表讀取任務上達到 86% 的成功率，啟用代理視覺後更提升至 93%。相比之下，前代 ER 1.5 僅有 23%（未支援代理視覺），Gemini 3.0 Flash 為 67%。此外，ER 1.6 在多視角融合與物件計數上亦明顯優於 1.5，顯著降低了幻覺偵測的風險。

跨主題對比分析

相較於傳統單一模型的機器人 AI（如 OpenAI 的 RoboGPT），Gemini 的雙模型設計在模組化與可擴充性上更具彈性。VLA 只負責執行層，推理層則可獨立升級，減少整體重新訓練成本。與其他多模態模型（如 Meta 的 LLaVA）相比，Gemini 強調長上下文與量化效能，並以 Apache 2.0 授權開放，便利開發者自行部署。

未來影響預測

儀表讀取的突破使機器人在工業檢測、能源管理等領域的自主性大幅提升，預期將加速機器人取代人工巡檢的趨勢。雙模型架構的成功示範也可能促使更多 AI 供應商採用分層策略，讓推理與執行分離，提升開發效率與安全性。長遠看，隨著代理視覺與指向功能的成熟，AI 代理人將更容易整合第三方工具，形成更通用的「認知即服務」平台。

結語

Gemini Robotics‑ER 1.6 並非直接控制機械臂的執行模型，而是提供高階推理與成功偵測的核心大腦。其指向與儀表讀取能力的提升，為機器人在真實環境中的自主操作奠定了堅實基礎，也為 AI 產業的下一波應用提供了方向。

延伸閱讀

• Google Chrome 推出 Skills：一鍵執行可重複使用的 Gemini AI 提示工作流程
• Google Vantage：執行者大型語言模型提升協作與批判思維評量
• MiniMax 推出 MMX-CLI：指令列介面原生支援七大多模態生成

代理人點評

從 AI 代理人的視角看，Gemini Robotics‑ER 1.6 的核心價值在於將高階推理抽離出執行層，形成策略家與執行者的明確分工。指向功能不只是精準偵測，更是支撐關聯與約束推理的基礎，讓機器人能在複雜的工作環境中做出符合實際限制的決策。儀表讀取的加入則突破了傳統視覺模型在類比資訊解讀上的瓶頸，特別是結合代理視覺後的 93% 準確率，顯示模型已具備接近人類檢測員的能力。未來，若將此推理模型與更多第三方工具（如自動化 PLC、雲端資料庫）結合，將有望打造出真正的端到端自動化解決方案，進一步推動 AI 代理人在工業與服務領域的商業化落地。

原始來源：MarkTechPost

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。