以前教机器东谈骨干活，到手把手录几百遍动作，再调参数、打标签、反复微调——像教小孩写字，擦了重写十遍才算初学。现时谷歌甩出Gemini Robotics ER 2，径直让机器东谈主看一眼视频、听一句东谈主话，就能铲除名务、我方排才略、边干边改。它不依赖预设动作库，也不需要针对每个新任务单独考研；拧灯泡、倒咖啡、绕开椅子走畴昔……这些动作背后莫得硬编码逻辑，全靠模子我方从流畅视频流里‘读’出进程、卡点、成败。比如倒水时，它不是靠计时器或压力传感器，而是盯着画面判断“水流变细了→杯沿运行溢出→该停了”，91.3%的帧级定位准确率，缺陷不到1秒。

  更关节的是，它终于不“卡顿”了。旧式机器东谈骨干完一步得停住、上传图像、等就业器回传辅导，再动下一步——活像卡顿的视频通话。ER 2却能一边抬手持壶，一边用Gemini Live API及时代析录像头画面，同步推理“接下来是回身一经先避障”，动作和想考在归并个技艺轴上跑。测试里，它能在失败后只重试错的那一环，而不是整套经由重启，任务进程分类准确率57.4%，听着不高，但意味着机器东谈主第一次有了“我知谈我方干到哪了”的自发。

  这不是给某台机器东谈主定制的“外挂”，而是插拔即用的“高层大脑”。谷歌没造我方的东谈主形机器东谈主，却把ER 2作念成API，塞进Apptronik的Apollo、Franka的机械臂，甚而将来波士顿能源的Atlas里。它不绑定硬件，不锁死场景，连扎垃圾袋这种奏遵循还不高的贫穷，也被算作待优化项而非不成解命题。安全上也更严慎：遭逢拖拉辅导或潜在风险动作（比如伸手进运转的传送带），它会主动休止彭胀——不是靠顺次列表，而是基于对物理宇宙因果关系的露出作念判断。说白了，它正在把机器东谈主从“听话的用具”，形成“能琢磨的搭档”。

  这种鼎新背后，其实是AI露出才略的一次跃迁。畴昔机器东谈主“看”视频，本色是把画面切成帧、逐帧分类——像考驾照科目二时死记点位，车头到哪线停、后视镜看到什么就打标的。ER 2不同样，它用的是端到端的时空建模，把流畅动作当“句子”来读：拧灯泡不是“动弹手腕+施加扭矩”，而是“手围聚灯座→指尖触到螺纹→旋转角度增大→阻力倏得减小→灯亮”。盘考东谈主员在《Science Robotics》上公开的本质骄横，模子能从17秒的倒咖啡视频里自动切分出6个语义阶段，每个阶段对应真什物理情状变化，比如“壶嘴刚过杯沿”和“水流往复液面”的技艺差被识别出来，缺陷仅0.32秒。

  有预想的是，它学得越久，越会“偷懒”。测试中给它叠加作念10次开抽屉任务，前3次它老老古道拉把手、排闼板；到第7次，发现抽屉滑轨有点松动，它运行微调持取位置，改用指尖卡住侧边舛讹发力——这不是模范写的容错逻辑，而是模子在视频流里我方发现了“松动→异响→滑移轨迹偏移”之间的关连。团队没喂过这类数据，纯靠多任务考研累积的物理直观。

  虽然，离真能进厨房还差语气。现时它在光照雄厚、配景干净的本质室环境里进展亮眼，但换到反光灶台、毛玻璃柜门简略孩子倏得闯入的画面里，任务奏遵循会掉到68%。谷歌工程师坦率承认：“它现时像刚拿到驾照的生手，能走直线、能倒库，但雨天路滑、操纵有狗窜出来，还得靠东谈主踩一脚。”可正因如斯，这套系统把“失败归因”也形成了学习素材——每次卡住，它会自动生成疏漏原因形状（比如“荫庇导致手部关节点丢失”），同步存进土产货缓存，下次遭逢访佛场景优先调用。不靠大模子瞎猜，而是让机器东谈主我方攒教导本。

  最确凿的逾越藏在细节里：以前调试一个新任务平均要花4.2小时，现时工程师对入部属手机录像头拍段操作视频，说句“照这个作念”，15分钟内就能部署上线。波士顿能源裸露，他们已用ER 2替换了Atlas部分导航模块的硬编码逻辑开云体育，让机器东谈主在仓库巡检时第一次能主动绕开临时堆放的纸箱，而不是撞上去再报错重启。用具变伙伴，从来不是靠喊标语，而是当它帮你扶住快倒的扫地机器东谈主，顺遂把你掉在地上的耳机塞回口袋——那一刻，你才真实合计，它懂你在乎什么。