Google 把 Gemini 的多模態理解強行塞進了機器人的神經中樞。這次 Robotics 2 的核心不在於抓取精度提高了多少，而是那個所謂的「全身智能」。以前機器人處理視覺與動作是斷裂的，現在則是從感官輸入到電機輸出都在同一個端到端模型裡跑。這種邏輯讓 Gemini 展現出一種令人不安的直覺，它不再是執行指令，更像是在理解物理世界的因果。
在實際的工業測試場景中，當環境光線劇烈變化或出現未預見的障礙物時，Gemini 驅動的機械臂表現出比前代更低的任務崩潰率。這種長序列的空間推理能力，目前在 Claude 3.5 Sonnet 上還看不到直接的對應落地，即便後者的邏輯推演一直領先。至於 DeepSeek-V4-Flash 近期頻繁提及的端側優化，在這種需要極高算力負載的具體物理操縱任務面前，暫時還不在同一個維度上討論。
矽谷那些資深硬體工程師在 Hacker News 吵翻了天，多數人關心的是延遲問題。即便推理再聰明，如果模型權重讓動作慢了半秒，這玩意在生產線上就是災難。Google 顯然在賭，賭大模型的通用性可以覆蓋掉那幾毫秒的代價。我們正看著這種純粹的數位邏輯如何試圖接管物理實體，這種融合的界限還在晃動……