---
title: "谷歌最强具身大脑发布！波士顿机器狗瞬间人模人样"
source_name: "量子位"
original_url: "https://www.qbitai.com/2026/04/402329.html"
canonical_url: "https://www.traeai.com/articles/7ded06cb-0820-4ec9-88ed-1a4947fe18d0"
content_type: "article"
language: "中文"
score: 8.5
tags: ["具身智能","机器人","Gemini","空间推理","波士顿动力"]
published_at: "2026-04-17T07:08:17+00:00"
created_at: "2026-04-17T07:59:55.363608+00:00"
---

# 谷歌最强具身大脑发布！波士顿机器狗瞬间人模人样

Canonical URL: https://www.traeai.com/articles/7ded06cb-0820-4ec9-88ed-1a4947fe18d0
Original source: https://www.qbitai.com/2026/04/402329.html

## Summary

谷歌DeepMind发布Gemini Robotics-ER 1.6，赋予波士顿动力Spot机器狗高精度仪表识别与空间推理能力，任务成功率显著提升。

## Key Takeaways

- ER 1.6通过Pointing机制实现精准空间理解，物体计数和定位错误大幅减少
- 仪表识别成功率从23%提升至93%，支持工业场景自主监控
- 新增多视角成功检测与安全约束判断，强化机器人任务闭环与物理安全性

## Content

Title: 谷歌最强具身大脑发布！波士顿机器狗瞬间人模人样

URL Source: http://www.qbitai.com/2026/04/402329.html

Markdown Content:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

## 谷歌最强具身大脑发布！波士顿机器狗瞬间人模人样

2026-04-17 15:08:17 来源：[量子位](https://www.qbitai.com/)

Gemini Robotics主打空间推理的第三代模型。

> henry 发自 凹非寺
> 
> 
> 量子位 | 公众号 QbitAI

刚刚，Google DeepMind发布了最新的机器人推理模型——

**Gemini Robotics-ER 1.6**。

搭载它的波士顿动力机器狗Spot，现在能走到工厂里的压力表前，停下来，读出数字。精确到刻度以下。

机械臂面对操作任务时，也能判断什么时候开始，什么时候算完成。

说起来，这已经是Gemini Robotics主打空间推理的第三代模型。

九年前谷歌把波士顿动力卖掉，今年CES刚宣布重新合作，ER 1.6就是这次新开始的第一个正式成果。

掌门人哈萨比斯也是第一时间转发了。

![Image 1](https://i.qbitai.com/wp-content/uploads/2026/04/34634a6711990f4367d65735433deea0.png)

ER 1.6的定位是机器人的高层大脑，不直接控制机械动作，而是负责理解环境、制定计划、调用工具——

谷歌搜索、VLA、或者开发者自己定义的任何函数，都可以直接调用。

相比上一代ER 1.5和Gemini 3.0 Flash，新模型在空间推理、物体计数、任务成功检测上均有显著提升。

还多了一个全新能力，读仪表。

![Image 2](https://i.qbitai.com/wp-content/uploads/2026/04/5c2f924945ebc84c7886db186d7c193e.png)

## Gemini Robotics-ER 1.6

在技术博客中，Laura Graesser和Peng Xu两位作者开篇写道：

**机器人要真正有用，就必须不只是执行指令，而是要对物理世界进行推理。**

ER 1.6的核心升级围绕一件事，让机器人真正「看懂」它所处的环境。

## 仪表识别

先看Spot在工厂里做的那件事。

工业设施里有大量仪器需要持续监控，温度计、压力表、化学视镜。以前Spot能走过去拍一张照片，但看不懂上面的数字。

ER 1.6让这件事变了。

模型读仪表分三步。先放大，把小刻度看清楚；再用Pointing定位指针和刻度，结合代码计算比例；最后调用世界知识，把数字解释成有意义的读数。

这套组合的效果，ER 1.5的仪表识别成功率是23%，加上Agentic Vision之后，ER 1.6达到了**93%**。

![Image 3](https://i.qbitai.com/wp-content/uploads/2026/04/ab5965e3e40650888e05eb626520b0ab.png)

波士顿动力Spot副总裁**Marco da Silva**表示：

> 仪表识别等能力和更可靠的任务推理，将使Spot能够完全自主地观察、理解并应对现实世界的挑战。

## Pointing，空间推理的基石

仪表识别能做到这一步，背后是**Pointing**能力的支撑。

Pointing是ER模型从初代就在练的基本功。简单说，就是让模型用「点」来表达它对空间的理解，哪里有什么，有几个，怎么移动，抓哪里最合适。

ER 1.5在这一任务上表现不佳：给它一张工具图，它数错了锤子数量，漏掉了剪刀，还把图里根本不存在的手推车给「指」了出来。

ER 1.6则能把这些全部答对，锤子2把、剪刀1把、画笔1支、钳子6把，一个不差。更关键的是，对于图里没有的东西，它知道不去指。

## 成功检测，知道什么时候停

ER 1.6还有一个升级，成功检测。

知道任务何时结束，和知道如何开始，同样是自主性的核心。

以前的系统，做完一个动作就算完了。但真实场景里有遮挡、有光线变化、有模糊指令，「做完了」这件事本身就需要判断。

ER 1.6强化了多视角推理，机器人通常有多个摄像头，头顶一个、手腕一个，系统需要把这些视角合并成一个连贯的判断。

比如开头的那个demo：把蓝色笔放进黑色笔筒，任务完成了吗？

ER 1.6能从多个角度的画面里，给出一个可靠的答案。

**顺带一提，这也是谷歌迄今最安全的机器人模型。**

在对抗性空间推理任务里，ER 1.6对安全指令的遵循程度优于所有前代版本。

不处理液体、不搬运超过20公斤的物体，这类物理安全约束，ER 1.6能通过Pointing等空间输出做出更准确的判断。

![Image 4](https://i.qbitai.com/wp-content/uploads/2026/04/d1040718506888e97bf43c2a9ef3f2bd.png)

在基于真实伤害报告的安全隐患识别测试里，ER系列比Gemini 3.0 Flash高出6%（文字场景）和10%（视频场景）。

## 谷歌与波士顿动力

看到Spot，你可能会好奇，为啥谷歌要用波士顿动力的狗？

事情是这样的：

谷歌2013年收购波士顿动力，2017年卖给软银，理由是看不到商业闭环。

2020年现代汽车以8.8亿美元接盘。然后2025年11月，波士顿动力的前CTO**Aaron Saunders**离职，加入了谷歌DeepMind。

2026年1月CES，两家在现代汽车的发布会上宣布正式合作，目标是把Gemini Robotics部署到Atlas人形机器人上。

![Image 5](https://i.qbitai.com/wp-content/uploads/2026/04/b26f3a03100a5989acc15cdb8ddd002e.png)

卖出去九年，又回来了。

哈萨比斯的说法是，谷歌不做硬件，要成为「机器人领域的Android」，给所有机器人厂商提供大脑。

这次ER 1.6发布，署名了两位作者，**Laura Graesser**和**Peng Xu**。

**Laura Graesser**是牛津本科、NYU硕士出身，2018年加入Google，2023年至今在DeepMind做机器人研究，还合著过一本强化学习教科书《Foundations of Deep Reinforcement Learning》。

![Image 6](https://i.qbitai.com/wp-content/uploads/2026/04/cac26d998489b6641c9b03f3c4c689ee.png)

她早期的研究方向之一，是让机器人打乒乓球，系统需要在100毫秒内完成感知、计算和击球动作。

![Image 7](https://i.qbitai.com/wp-content/uploads/2026/04/de02145b8cd5fabbd4d5648d758ac991.png)

**Peng Xu**是DeepMind机器人基础模型方向的研究员，专注机器人学习与大模型的结合，不仅参与过上面的机器人打乒乓球，也是RT-1、RT-2、Cap（Code as policy）、Gemini robotics等一系列著名工作的作者之一。

![Image 8](https://i.qbitai.com/wp-content/uploads/2026/04/15b8ac3fb7536302e565cd07ffebb558.png)

参考链接

 [1]https://deepmind.google/blog/gemini-robotics-er-1-6/

 [2]https://deepmind.google/models/gemini-robotics/gemini-robotics/

_版权所有，未经授权不得以任何形式转载及使用，违者必究。_