在影视作品里，我们看过太多机器人失控的场面。一些应对方案的段子也早已烂熟于心：断网、拔电、重启三连，一键送它回炉重造。

但现在，这一套流程可能不太管用了。

今天，Google DeepMind 推出了一款全新机器人控制模型——Gemini Robotics On-Device。这款大模型能在机器人本地运行，集视觉识别、语言理解和动作执行于一体。

而它最大亮点在于，即使完全离线，它也能理解人类指令，流畅完成任务。

比起诸如 ChatGPT、Gemini 等擅长聊天、写作、答题的大模型，Gemini Robotics On-Device 则给机器人装上了一个真正的「大脑」，让其也能具备类似的理解力和执行力。

它本质上是一个专为双臂机器人打造的 VLA 基础模型，顾名思义，Vision（视觉）+Language（语言）+Action（动作），三者结合，看得见、听得懂、动得了，是它的基本素养。

举例而言，你可以对机器人发出请求：「请把这件衣服叠好，再放进背包里，拉上拉链。」过去这需要提前编写程序、分解动作，现在 Gemini On-Device 可以直接理解这句话的意思，然后一步一步执行下来。

那既然联网也能跑，为什么还要费劲折腾本地运行？答案不外乎速度和稳定性。

机器人若需将数据传至云端、等待服务器分析再返回结果，必然产生延迟。在医疗操作、灾难救援、工厂自动化等任务中，延迟容错空间几乎为零。何况，现实中许多地方网络条件差，甚至完全无网。

实际上，让机器人顺利应对复杂、动态的现实任务，一直是 AI 领域最难啃的骨头之一。

从公开视频看，Gemini On-Device 已能胜任多种常见场景，如叠衣、拉链、抓取陌生物体并放置到指定位置。而这一切得益于它的学习机制。