Google DeepMind Robotics

方向: VLA模型 / 机器人基础模型 核心人物: Carolina Parada（Google DeepMind Robotics 负责人，VP & Head of Robotics）等 机构: Google DeepMind 简介: Google DeepMind Robotics 是在 Carolina Parada 领导下的机器人基础模型团队，前身融合了 Google Brain 机器人团队、Everyday Robots 技术遗产与 DeepMind 控制研究。团队开创了 RT-1/RT-2 系列 Robotics Transformer 与 Vision-Language-Action（VLA）模型范式，并将其发展为基于 Gemini 的通用具身智能模型家族（Gemini Robotics / Gemini Robotics-ER），目标是"解决物理世界中的 AGI"。团队与 Apptronik（人形机器人 Apollo）、Boston Dynamics（Atlas、Spot）等硬件厂商深度合作，推动模型跨本体（cross-embodiment）部署。

Carolina Parada 此前在 Google Speech/Assistant 团队工作 7 年，随后在 Nvidia 负责自动驾驶摄像头感知团队 2 年，现任 Google DeepMind Robotics 负责人；来源：research.google 简介、CES speaker profile、Humanoids Daily 专访。

关键成就

• 学术引用量：团队奠基性论文的引用量在具身智能/机器人学习领域名列前茅——SayCan（"Do As I Can, Not As I Say: Grounding Language in Robotic Affordances"）被引用 2,347 次；RT-2（"Vision-Language-Action Models Transfer Web Knowledge to Robotic Control"）被引用 1,777 次（其中 119 篇为"高影响力"引用）；Open X-Embodiment 被引用 647 次；RT-1 被引用 500+ 次（以上均为 Semantic Scholar 于 2026 年 7 月检索到的数据，来源：RT-2 Semantic Scholar 页面、Open X-Embodiment Semantic Scholar 页面、SayCan Semantic Scholar 页面、RT-1 引用统计（SciSpace 汇总））。
• VLA 范式确立者：RT-2 论文首次提出并推广了 "Vision-Language-Action (VLA)" 这一术语与建模范式，此后成为业界描述具身智能模型的标准分类，直接影响了 OpenVLA、π0（Physical Intelligence）等后续大量开源与商业 VLA 工作的命名与技术路线。
• 最大规模开源跨本体数据集：Open X-Embodiment 联合 21-33 个学术机构，汇聚超过 100 万条真实机器人轨迹、22 种机器人本体，是迄今公开的最大规模机器人学习数据集之一，其 GitHub 仓库持续被学界复用（来源：Open X-Embodiment 项目页、GitHub）。
• 核心硬件伙伴融资规模：人形机器人合作伙伴 Apptronik（Gemini Robotics 的主要落地载体之一）截至 2026 年 2 月 Series A 系列融资累计超过 9.35 亿美元（含 Google 参投的 5.2 亿美元 A-X 扩展轮，投后估值约 50 亿美元），公司总融资接近 10 亿美元（来源：Apptronik 官方新闻稿、CNBC 报道）。
• 产业化部署规模意向：2026 年 1 月与 Boston Dynamics 达成 AI 合作后，双方共同伙伴现代汽车集团宣布计划在旗下工厂部署超过 25,000 台搭载 Gemini Robotics 技术的 Atlas 人形机器人，是目前已知规模最大的人形机器人量产部署计划之一。
• 主流科技媒体头条覆盖：2025 年 3 月 Gemini Robotics 发布当天即获 TechCrunch（"Google DeepMind unveils new AI models for controlling robots"）、MIT Technology Review（"Gemini Robotics uses Google's top language model to make robots more useful"）等主流科技媒体头条报道，此后 2025-2026 年每次重大版本发布（On-Device、1.5、ER 1.6）均被 TechCrunch、MarkTechPost 等持续跟踪报道（来源见时间线各条目链接）。

时间线（2021-2026）

2021-10 — Stacking our way to more general robots（RGB-Stacking 基准）

• DeepMind（尚未与 Google Brain 合并前）在 CoRL 2021 发表 RGB-Stacking，一个基于视觉的机械臂堆叠基准：机器人需在 20 秒内把红色物体堆到蓝色物体上，绿色物体作为干扰项。研究结合模拟与真实数据来解决"泛化到新物体"的开放问题，并开源了模拟环境与真实机器人环境设计图。这是团队早期强化学习驱动的通用操作研究代表作，是后续 RT 系列的技术前奏之一。
• 链接: Stacking our way to more general robots — Google DeepMind

2022-04 — SayCan: Grounding Language in Robotic Affordances

• Google（Robotics at Google + Everyday Robots + DeepMind 前身团队）发布 SayCan，将大语言模型（最初为 FLAN）与机器人"可供性"（affordance）判断结合，让语言模型为真实世界的 Everyday Robots 机器人规划可执行的子任务序列。这是"LLM 做高层规划 + 机器人做低层执行"范式的代表性早期工作，为后续 RT-2 的语义推理能力埋下基础。
• 链接: SayCan: Grounding Language in Robotic Affordances（项目页） ｜ PaLM-SayCan 官方站点
• 图片:

2022-08 — PaLM-SayCan 升级

• Google 将 SayCan 底层语言模型升级为 5400 亿参数的 PaLM，规划成功率从 FLAN-SayCan 的 70% 提升到 84%，执行成功率从 61% 提升到 74%，并新增抽屉操作、思维链提示、多语言指令等能力，让 Everyday Robots 的助理机器人可在真实办公室环境中响应自然语言请求。
• 链接: Google's PaLM-SayCan: The First of the Next Generation of Robots ｜ InfoQ 报道

2022-12 — RT-1: Robotics Transformer for Real-World Control at Scale

• Google Research 团队（含 Everyday Robots、Google Brain 机器人组，后并入 Google DeepMind）发布 RT-1，一个仅 35M 参数、以 3Hz 运行的高容量 Transformer 控制模型，融合 FiLM-conditioned EfficientNet、TokenLearner 与 Transformer。基于 13 台机器人在办公室厨房环境中 17 个月收集的真实数据训练，700+ 训练指令下成功率达 97%，并在新任务、干扰物、新背景上分别比此前最佳基线提升 25%、36%、18%。这是"Robotics Transformer"系列的开端。
• 链接: arXiv:2212.06817 ｜ Google AI Blog 原文
• 图片:

2023-02 — Everyday Robots 关停，技术与团队并入机器人研究主线

• Alphabet 在 2023 年初大规模裁员（约 12,000 人）中关闭了旗下 Moonshot 项目 Everyday Robots（源自 Alphabet X）。Everyday Robots 曾训练超过 100 台单臂轮式机器人在办公室完成清理桌面、垃圾分类、开门等任务，但始终未能实现商业化。据报道其部分技术与团队成员随后并入 Google（DeepMind）机器人研究工作。
• 链接: Alphabet closes Everyday Robots among layoffs — The Robot Report ｜ Everyday Robots — A Google X Moonshot（项目页）

2023-03 — PaLM-E: An Embodied Multimodal Language Model

• Google 与柏林工业大学联合发表 PaLM-E，一个 5620 亿参数的具身多模态语言模型，将视觉、连续状态估计与文本编码交织输入，端到端训练用于机器人操作规划、视觉问答和图像描述等多任务。PaLM-E 后来成为 RT-2 的两个骨干网络之一（另一个是 PaLI-X）。
• 链接: arXiv:2303.03378 ｜ 项目页 PDF
• 图片:

2023-04-20 — Announcing Google DeepMind（Google Brain 与 DeepMind 合并）

• Alphabet 宣布将 Google Research 的 Brain 团队与 DeepMind 合并为统一的 "Google DeepMind"，由 Demis Hassabis 出任 CEO，Google Brain 副总裁 Zoubin Ghahramani 等组成联合领导层。此次合并是"Google DeepMind Robotics"这一团队名称与建制得以形成的组织节点，此后机器人研究统一在 Google DeepMind 旗下推进。
• 链接: Announcing Google DeepMind — Google DeepMind ｜ TechCrunch 报道

2023-06-20 — RoboCat: A Self-Improving Robotic Agent

• 基于多模态模型 Gato 架构，DeepMind 发布 RoboCat：一个可操作多种机械臂、通过"收集演示→微调出专精子代理→子代理自我练习生成新数据→并入训练集→重新训练"五步循环实现自我提升的通用操作智能体。仅需 100-1000 次演示即可适应新任务或新机械臂；相比初版，最终版本在未见任务上的成功率从 36% 提升到 74%。
• 链接: arXiv:2306.11706 ｜ RoboCat: A self-improving robotic agent — Google DeepMind
• 图片:

2023-07-28 — RT-2: New Model Translates Vision and Language into Action

• Google DeepMind 发布 RT-2（Robotic Transformer 2），首个明确提出 "Vision-Language-Action (VLA)" 范式的模型：将 PaLI-X / PaLM-E 等视觉语言模型作为骨干，把机器人动作离散化为类文本 token，与网络级视觉语言数据联合微调（co-fine-tune）。RT-2 在未见场景成功率上从 RT-1 的 32% 提升到 62%，并展示了"用石头当锤子""为疲惫的人选能量饮料"等需要网络知识迁移的涌现推理能力，还引入思维链（chain-of-thought）实现多步语义推理。
• 链接: DeepMind 官方论文 PDF ｜ RT-2: New model translates vision and language into action — Google DeepMind ｜ The Keyword 报道
• 图片: ｜

2023-09 — Q-Transformer: Scalable Offline RL via Autoregressive Q-Functions

• Google DeepMind 团队（Yevgen Chebotar、Sergey Levine 等）在 CoRL 2023 发表 Q-Transformer，用 Transformer 表示可扩展的 Q 函数，把每个动作维度离散化为单独 token 进行离线时序差分训练，可同时利用人类演示与自主收集数据，在大规模真实机器人操作任务上超过此前的离线 RL 与模仿学习方法。
• 链接: arXiv:2309.10150 ｜ PMLR 会议版本

2023-10-03 — Open X-Embodiment 数据集 与 RT-X 模型

• Google DeepMind 联合全球 33 个学术实验室，汇聚 22 种机器人本体、超过 100 万条真实机器人轨迹、500+ 技能、150,000+ 任务，构建了当时最大的开源机器人数据集 Open X-Embodiment，并发布基于 RT-1/RT-2 训练的跨本体模型 RT-1-X、RT-2-X。RT-1-X 在 5 个不同高校实验室测试中平均成功率比各实验室专用方法高 50%；RT-2-X 在涌现技能评测上比 RT-2 提升 3 倍。
• 链接: arXiv:2310.08864 ｜ Scaling up learning across many different robot types — Google DeepMind ｜ 项目页/模型下载 ｜ GitHub
• 图片:

2024-01 — AutoRT、SARA-RT、RT-Trajectory：机器人研究三连发

• Google DeepMind 同时公布三项机器人研究：AutoRT 用视觉语言模型做场景理解、大语言模型生成任务提议，配合"机器人宪法"（Robot Constitution，受阿西莫夫三定律启发）与"LLM 立法者"做安全过滤，在 7 个月内于多栋办公楼调度最多 20 台机器人同时作业（累计 52 台机器人），收集 77,000+ 会话、6,650 个独特任务，是已知首个允许 LLM 控制的机器人在真实世界中自主巡游、自主提出目标并采取行动的系统。同期发布的 SARA-RT 与 RT-Trajectory 分别聚焦模型加速与轨迹条件控制。
• 链接: arXiv:2401.12963（AutoRT） ｜ Shaping the future of advanced robotics — Google DeepMind
• 图片:

2024-09 — ALOHA Unleashed 与 DemoStart：机器人灵巧性新进展

• Google DeepMind 发布两套灵巧操作系统：ALOHA Unleashed 在双臂遥操作平台 ALOHA 2 上使用扩散模型（类似 Imagen 的生成方式）模仿学习机器人动作，学会系鞋带、挂衣服、修理另一台机器人、插齿轮、清洁厨房等复杂双臂任务；DemoStart 则用强化学习在仿真中让多指灵巧手掌握复杂行为（如立方体重定向、插座插入），仿真训练后在真实世界复杂任务成功率达 97%。
• 链接: Our latest advances in robot dexterity — Google DeepMind

2024-12-19 — Apptronik 宣布与 Google DeepMind Robotics 战略合作

• 人形机器人公司 Apptronik 宣布与 Google DeepMind 机器人团队达成战略合作协议，共同基于 Gemini 系列模型开发下一代人形机器人 Apollo，为此后 Gemini Robotics 家族在人形机器人本体上的落地铺路。
• 链接: Apptronik Partners with Google DeepMind Robotics

2025-03-12 — Gemini Robotics 与 Gemini Robotics-ER 发布

• Google DeepMind 推出基于 Gemini 2.0 的两款机器人模型：Gemini Robotics（新增"物理动作"作为输出模态的高级 VLA 模型，主打通用性、交互性、灵巧性三大能力，在综合泛化基准上比同类 SOTA VLA 模型平均提升超过 2 倍）与 Gemini Robotics-ER（具备增强空间理解能力的具身推理 VLM，可执行感知、状态估计、规划、代码生成全流程，端到端成功率是 Gemini 2.0 的 2-3 倍）。同时发布 ASIMOV 安全评测数据集，并宣布与 Apptronik 合作人形机器人 Apollo，向 Agile Robots、Agility Robots、Boston Dynamics、Enchanted Tools 等可信测试者开放 Gemini Robotics-ER。作者与主导人为 Carolina Parada。
• 链接: arXiv:2503.20020（技术报告） ｜ Gemini Robotics brings AI into the physical world — Google DeepMind ｜ MIT Technology Review 报道
• 图片: ｜

2025-06-24 — Gemini Robotics On-Device 发布

• Google DeepMind 推出首个可完全离线运行的端上（on-device）VLA 模型 Gemini Robotics On-Device，专为双臂机器人设计，具备强通用灵巧性与低延迟推理能力；同时发布 Gemini Robotics SDK，支持开发者在 MuJoCo 仿真中评测并以 50-100 条演示快速微调模型。该模型主要基于 ALOHA 双臂平台训练，并成功适配到 Franka FR3 双臂机器人与 Apptronik 人形机器人 Apollo。
• 链接: Gemini Robotics On-Device brings AI to local robotic devices — Google DeepMind ｜ TechCrunch 报道
• 图片:

2025-09-25 — Gemini Robotics 1.5 与 Gemini Robotics-ER 1.5：把 AI Agent 带入物理世界

• Google DeepMind 推出两款协同工作的"具身智能体"模型：Gemini Robotics-ER 1.5（高层"大脑"，具备 SOTA 空间理解能力，可原生调用 Google 搜索等工具、做多步规划与进度/成功检测）与 Gemini Robotics 1.5（VLA 执行模型，首次具备"行动前思考"能力，会用自然语言展示推理过程，并展现出跨本体学习能力——在 ALOHA 2 上学到的技能可直接迁移到 Apptronik 人形机器人 Apollo 及双臂 Franka 机器人）。同时发布升级版 ASIMOV 安全基准 v2。Gemini Robotics-ER 1.5 当天起通过 Google AI Studio 向开发者开放。
• 链接: Gemini Robotics 1.5 brings AI agents into the physical world — Google DeepMind ｜ arXiv:2510.03342（技术报告论文版） ｜ 官方技术报告 PDF
• 图片:

2026-01-05 — Boston Dynamics 与 Google DeepMind 达成 AI 合作

• CES 2026 期间，Boston Dynamics 与 Google DeepMind 宣布建立新的 AI 合作关系，计划将 Gemini Robotics 系列基础模型集成到 Boston Dynamics 新一代人形机器人 Atlas 以及四足机器人 Spot 上。Boston Dynamics 2026 年 Atlas 全部产能优先供给现代汽车集团（Hyundai，Boston Dynamics 大股东）的机器人园区（RMAC）与 Google DeepMind，2027 年前不对外部客户交付；现代计划在旗下工厂部署超过 25,000 台 Atlas。
• 链接: Boston Dynamics & Google DeepMind Form New AI Partnership ｜ TechCrunch 报道
• 图片:

2026-04-14 — Gemini Robotics-ER 1.6 发布

• Google DeepMind 发布具身推理模型的重大升级 Gemini Robotics-ER 1.6，强化空间推理与多视角理解，新增"仪表读数"（instrument reading）能力——机器人可读取压力表、视液镜等复杂仪器指针与刻度，这项能力是与 Boston Dynamics 紧密合作（应用于其四足机器人 Spot 的设施巡检场景）中发掘的。该模型在指向（pointing）、计数、成功检测等空间/物理推理基准上显著超越 Gemini Robotics-ER 1.5 与 Gemini 3.0 Flash，是团队迄今最安全的机器人模型。当天起通过 Gemini API 与 Google AI Studio 向开发者开放。
• 链接: Gemini Robotics-ER 1.6: Powering real-world robotics tasks through enhanced embodied reasoning — Google DeepMind ｜ Google Blog 官方公告 ｜ MarkTechPost 报道
• 图片:

2026-06-30 — Apptronik 发布 Robot Park 与 Apollo 2，深化与 Google DeepMind 的数据合作

• Apptronik 在美国德州奥斯汀开放扩建后的旗舰数据采集与训练基地 "Robot Park"（约 9 万平方英尺），并发布人形机器人平台新一代版本 Apollo 2（含双足与轮式底盘两种构型）。Robot Park 采集的高质量数据将持续用于训练 Google DeepMind 的 Gemini Robotics 基础模型，形成"硬件采集数据 → 模型训练 → 部署回机器人"的闭环，是双方 2024 年底合作关系的落地深化。
• 链接: Welcome to Robot Park: Apollo Goes to Work — Apptronik ｜ Forbes 报道 ｜ GlobeNewswire 官方新闻稿