當我們試圖將強大的 AI 放入物理世界，要求機器人幫我們摺衣服、在工廠巡視或避開地上的障礙物時，它們往往顯得笨拙且不可靠。這是因為理解一段文字的語義，與理解真實世界中的空間幾何、物理限制以及動態變化，兩者之間有著巨大的鴻溝。
為了解決這個從「數位智能」跨越到「實體行動」的痛點，Google DeepMind 於 2026 年 4 月正式推出了全新的「具身推理（Embodied Reasoning）」模型：Gemini Robotics-ER 1.6。這套系統被設計為機器人的「高階大腦」，它擁有前所未有的空間理解能力與多視角邏輯推理能力，能夠將複雜的物理任務拆解、判斷任務是否完成，甚至能自主呼叫工具來解決問題。
Gemini Robotics-ER 1.6: Powering real-world robotics tasks through enhanced embodied reasoning
突破物理與數位界線的技術
要讓機器人具備自主性，單靠提升運算速度遠遠不夠。DeepMind 針對機器人在真實世界中會遇到的幾個難題，進行了針對性的架構升級。
空間定位與指向（Pointing）：理解物理關係的基石
在人類的世界裡，如果我們要別人拿個東西，通常會用手指著它並說「就是那個」。在機器人領域，模型也需要具備精確的「指向（Pointing）」能力，才能在像素級別上確認物件的物理位置。Gemini Robotics-ER 1.6 將指向能力推升到了全新的層次，可用於處理多種複雜邏輯：
- 空間與關係邏輯：例如找出畫面中最小的零件，或定義「從 A 移動到 B」的路徑。
- 動作推理：規劃機械手臂的移動軌跡與最佳抓取點。
- 條件限制遵循：例如要求機器人「指出所有小到可以放進藍色杯子裡的物件」。
在 DeepMind 提供的測試案例中，當被要求計算畫面中的各種工具時，前一代的 ER 1.5 發生了嚴重的幻覺，甚至指出了畫面中根本不存在的手推車；而基礎模型 Gemini 3.0 Flash 雖然表現接近，但在計算數量較多的鉗子時缺乏精準度。反觀 Gemini Robotics-ER 1.6 則完美地辨識出畫面中的 2 把鐵鎚、1 把剪刀、1 把油漆刷以及 6 把鉗子，並且聰明地跳過了不存在的物品。這種把「指向」作為中間推理步驟的做法，為模型後續進行精確的數學計算與幾何評估打下了堅實的基礎。
成功檢測（Success Detection）：賦予自主性的決策引擎
對機器人來說，知道「如何開始一個動作」很重要，但知道「這個動作什麼時候才算完成」往往更加困難。在真實的 3D 環境中，攝影機的視角很容易被機器人自己的手臂或周圍的障礙物遮擋。這項被稱為「成功檢測」的能力，是機器人邁向完全自主的核心決策引擎。
為了克服視角限制，現代機器人通常配備多個攝影機（例如整體俯瞰視角與安裝在機械爪上的微距視角）。Gemini Robotics-ER 1.6 展現了卓越的「多視角推理（Multi-view reasoning）」能力。在「將藍色筆放入黑色筆筒」的測試中，模型能夠同步分析多個攝影機的影像流，理解不同視角之間的空間關聯，並在動態與遮蔽的情況下，準確判斷筆是否已經安穩地落入筆筒中。具備這種能力後，機器人就能自主決定是要繼續嘗試、重試失敗的動作，還是可以進入下一個工作排程。
代理視覺與儀表判讀：結合程式碼執行的物理推理
如果你問一個純視覺模型「這個壓力表目前指在多少」，它通常是根據過往訓練資料庫中的圖像模式進行「直覺式猜測」。這種猜測在工業檢測中是絕對不可接受的。DeepMind 透過與波士頓動力的密切合作，在 ER 1.6 中導入了針對工業儀表（如圓形壓力表、垂直液位計、數位面板）的判讀能力。
這項能力的核心技術被稱為「代理視覺（Agentic Vision）」。它突破了純類神經網路的極限，採用了更具邏輯性的拆解步驟：
- 影像縮放：模型首先會主動放大影像，獲取儀表盤上細微刻度的清晰視野。
- 精確指向與程式碼執行：模型會找出指標與刻度線的確切位置，接著「撰寫並執行一段程式碼」，利用嚴謹的數學與幾何演算法來計算指標所在的角度與比例。
- 世界知識應用：最後，模型會閱讀儀表上的文字單位，綜合前述的數學計算結果，給出極度精確的讀數。
這種結合了視覺直覺與嚴謹程式運算的機制，成功解決了相機透視變形或多指針小數點的問題，讓波士頓動力的 Spot 機器人具備了看懂工業環境的能力。
ASIMOV 實體安全遵循：打造具備物理邊界感的安全機制
當 AI 獲得了控制物理實體的能力，安全性便成為最不容妥協的底線。DeepMind 強調，Gemini Robotics-ER 1.6 是他們迄今為止最安全的機器人模型。
在針對實體安全限制的 ASIMOV 基準測試中，ER 1.6 展現了極高的物理邊界感。例如，當模型被下達了「不可處理液體」或「不可舉起超過 20 公斤的重物」等物理限制條件時，模型能夠在空間指向決策中自動排除那些會導致危險的物件。此外，DeepMind 也利用真實世界的受傷報告，測試模型在文字與影片情境中的危險辨識能力。結果顯示，ER 1.6 在辨識潛在受傷風險上，比基礎的 Gemini 3.0 Flash 分別提升了 6%（文字）與 10%（影片）的準確度。
具備「在地分析與自主決策」能力的代理人
Gemini Robotics-ER 1.6 的出現，對於自動化產業、特別是高風險與高資本密集的工業環境，具有深遠的影響。過去的巡檢機器人，本質上只是一台「會走路的網路攝影機」。它們只能按照預先寫好的路線行走，將拍到的影像傳回控制中心，由人類工程師盯著螢幕判斷壓力表是否異常或管線是否漏水。這種模式高度依賴人力，且無法做到真正的即時反應。隨著 ER 1.6 的導入，以波士頓動力 Spot 為代表的機器人將能夠：
- 釋放高階勞動力：工廠不再需要安排大批工程師進行枯燥的例行性視覺巡檢。機器人可以自主判斷液位計是否在安全範圍內，並在發現異常時，自主判斷問題的嚴重性並發出警報。
- 降低停機風險與維護成本：具備高階推理能力的機器人，能夠結合「成功檢測」與「工具呼叫」，在發現設備異常時，或許能直接操作開關或閥門進行初步處置，大幅降低了工業設備因為異常而導致全面停機的昂貴代價。
- 設施管理的去中心化：未來的自動化設施將擁有更高的容錯率。當環境發生變動（例如走道上突然多了一堆雜物，或光線因天氣變暗），具備強大物理推理與多視角理解能力的機器人，能夠自行找到替代路徑或調整視覺策略，維持業務的連續性。
TN科技筆記的觀點
這次觀察到最有趣的是「代理視覺（Agentic Vision）」，將視覺模型與程式碼執行完美融合的設計思路。DeepMind 並沒有選擇一味地擴大模型參數來「暴力解決」這個問題，而是巧妙地讓模型退居「大腦」的角色：先用視覺直覺找出關鍵點，接著寫一段 Python 程式碼來處理絕對精準的數學計算，是個聰明又能大幅降低幻覺的設計巧思。這意味著我們不需要為每一種工業儀表訓練專門的視覺小模型，一個通用的高階 AI 就能透過「寫程式計算」來應對萬物。
另外 DeepMind 提到 ER 1.6 可透過 Gemini API 與 Google AI Studio 存取，並且能呼叫 Google 搜尋等工具。這暗示著它的強大能力暫時仍需要依賴雲端伺服器。然而，許多需要機器人巡檢的工業環境（例如地下礦坑、深層化工廠內部或遠洋鑽井平台）往往缺乏穩定、低延遲的網路連線。如果機器人的「高階大腦」無法在斷網的邊緣設備上本地運行，這將成為推廣到實際應用的一大阻力，但相信隨著 Gemma 4等等可以在手機上本地端運行的模型逐漸推出，這或許也只是遲早能夠解決掉的問題。
支持TN科技筆記，與科技共同前行
我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～～～也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！>>>>> 請我喝一杯咖啡
在此也感謝每個月持續請我喝杯咖啡的讀者以及新加入的讀者們，讓我更加有動力為各位帶來科技新知！
以下是我的 threads 也歡迎追蹤、回覆、轉發喔！
>>>>> TN科技筆記(TechNotes)
