-
日期: 2026-01-24 | 來源: 新智元 | 有0人參與評論 | 字體: 小 中 大
如果機器人需要把視頻傳到雲端，等AI分析完再做決策，可能需要幾百毫秒甚至幾秒——那時候工人可能已經被撞倒了。
機器人需要的是低於100毫秒的實時反應。
這只能靠本地AI來實現。
Gemini Robotics正是為此而生。它可以同時處理視覺、觸覺、本體感知（機器人知道自己的手腳在哪裡）等多種數據，並在毫秒級做出運動控制決策。
壹個你可能沒聽說過的人
2024年11月，谷歌DeepMind悄悄做了壹件事：挖來了波士頓動力的前首席技術官Aaron Saunders。
Aaron Saunders是波士頓動力技術的靈魂人物之壹。
他在那裡待了拾幾年，主導了Atlas早期版本的開發。
他離開波士頓動力，加入谷歌DeepMind的機器人團隊——這個動作本身就說明了谷歌的野心。
他們不是在做壹個“合作項目”，他們是在打造壹個機器人帝國。
而這個帝國的飛輪效應，和特斯拉的自動駕駛如出壹轍：
每壹台部署在工廠裡的Atlas機器人，都會產生真實世界的訓練數據。
這些數據會被用來訓練下壹代Gemini Robotics模型。
新模型又會讓機器人更聰明、更高效。更高效意味著更多客戶願意買，更多機器人被部署，產生更多數據……
這是壹個數據飛輪，和特斯拉用百萬輛車收集自動駕駛數據是同壹個邏輯。
區別在於：谷歌做AI基礎模型已經超過拾年了，而特斯拉才做了伍年。
為什麼這比英偉達的新芯片更重要？
讓我們回到CES2026的現場。
英偉達發布了Vera Rubin芯片，這是他們最新壹代的AI芯片。
官方宣稱：推理成本降低10倍，訓練MoE模型需要的GPU數量減少4倍。預計2026年下半年量產。
這當然是很厲害的技術突破。但這是壹個漸進式的改進——更快、更便宜、更省電。
而谷歌和波士頓動力的合作，是壹個范式轉換。
過去拾年，AI的算力需求主要來自數據中心。
英偉達的生意，本質上是把GPU賣給雲計算公司，讓它們在機房裡訓練和運行大模型。
但機器人需要的不是數據中心裡的AI。
機器人需要邊緣AI——在機器人自己的芯片上運行的AI，能夠實時處理傳感器數據，做出即時決策。
這是完全不同的技術路線。
數據中心AI：拼的是算力規模，誰的GPU多誰厲害
邊緣AI：拼的是效率和延遲，在有限的算力下做到足夠聰明
數據中心AI：拼的是算力規模，誰的GPU多誰厲害
邊緣AI：拼的是效率和延遲，在有限的算力下做到足夠聰明
Gemini Robotics代表的是AI從雲端走向終端的新時代。
更重要的是，這個合作完成了壹個其他人幾乎無法復制的組合：
軟件可以被復制- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見