記者鄧天心／綜合報導
Google於4月14日發表全新機器人AI模型「Gemini Robotics-ER 1.6」，讓Boston Dynamics（波士頓動力）著名的四足機器狗Spot具備如同人類般的「具身推理」（Embodied reasoning）能力，能在巡視工廠或倉庫時，精準判讀指針式溫度計與壓力計。
這項技術的核心在於Google DeepMind開發的Gemini Robotics-ER 1.6模型。相較於前代模型ER 1.5僅有23%的儀表判讀準確率，新模型在導入「代理視覺」（Agenticvision）功能後，準確率大幅躍升至98%。即便是未開啟代理視覺的基準模式，其準確率仍高達86%，遠優於Gemini 3.0 Flash的67%。
更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus
所謂的「代理視覺」結合了視覺推理與程式執行能力，能建立一個「視覺草稿區」（Visual scratchpad）來分析並處理影像，這讓機器人能應對工業現場複雜的視覺環境，例如解讀多個指針、液位高度、容器邊界，甚至是儀器上的細小刻度與文字。
Gemini Robotics-ER 1.6具備強大的「多視角推理」能力，允許機器人系統同時利用多個攝影機串流來理解環境。在測試案例中，新模型能精準識別並點算凌亂影像中的各種工具（如鎚子、剪刀、畫筆等）；反觀舊款模型不僅數量點算錯誤，甚至會虛構出影像中不存在的物品。這顯示新模型在解決AI「幻覺」問題上有顯著進展，雖然與人類水平的環境理解仍有距離，但已更趨近真實世界的應用需求。
Google形容這是迄今為止「最安全」的機器人模型，能嚴格遵守物理安全限制。在處理液體或材料時，機器人能做出更安全的決策，並能識別不同場景下的傷害風險，例如精準察覺「幼兒試圖將異物塞入電源插座」的危險。
波士頓動力目前正計畫在其母公司現代汽車集團（Hyundai MotorGroup）等多個工業設施中測試這項技術。傳統機器人多半只能在固定生產線重複特定動作，而Google與波士頓動力的目標，是讓機器人成為能在不受控、複雜的現實環境中自由運作的「自由工作者」。
雖然機器人在複雜環境中運作仍存在潛在風險，但Gemini Robotics-ER 1.6的出現，無疑讓我們距離機器人能完全融入人類生活、精準理解物理世界的未來，又邁進了一大步。
延伸閱讀：
不需再寫落落長指令！Google Gemini導入Nano Banana 看懂你的喜好自動畫圖
資料來源：arstechnica
—
本篇文章授權來源：科技島
