Google 推出 Gemini Robotics-ER 1.6：機器人學會讀壓力表，還會判斷任務做完了沒

一句話看懂：Google 把機器人用的「判斷腦」升級成 Gemini Robotics-ER 1.6，更會數東西、更會判斷任務有沒有做完，還新增了「讀壓力表」的能力。

先用白話講：機器人的「判斷腦」是什麼？

想像一個巡邏的保全機器人。馬達負責讓它走路、伸手；但它得先看懂眼前是什麼、該先做哪件事、做完了沒有。這個「看懂與判斷」的部分，Google 稱為具身推理（embodied reasoning）。

Gemini Robotics-ER 就是專門做這件事的模型：它不直接控制手腳，而是當高層的「指揮官」，需要時可以呼叫 Google 搜尋、動作模型（VLA）或開發者自訂的功能。

發生什麼事

Google DeepMind 在 4 月 14 日發布 Gemini Robotics-ER 1.6。官方說它比 ER 1.5 與 Gemini 3.0 Flash 都有明顯進步，特別是：

• 指出物體（pointing）：在畫面上準確點出東西的位置、數量。
• 成功偵測（success detection）：判斷任務做完了沒，才能決定要重做還是進下一步。
• 多鏡頭理解：同時看頭頂鏡頭和手腕鏡頭，把兩個畫面合成一個完整的理解。

開發者從發布當天起，就能透過 Gemini API 與 Google AI Studio 使用，官方也附了範例 Colab。

新能力：讀儀表

這是這次唯一新增的能力，起因是和合作夥伴 Boston Dynamics 的討論：工廠裡有很多壓力表、溫度計、化學液位視窗（sight glass），需要有人定期去看。Boston Dynamics 的機器人 Spot 可以走到各個儀表前拍照，再交給模型判讀。

要讀對並不簡單：要看指針、刻度、液面高低，還得考慮鏡頭角度造成的變形，有的表有多根指針要合併讀出小數位。官方說模型的做法是：

1. 先放大畫面，看清楚小細節。
2. 用指出位置與執行程式，估算比例與間隔。
3. 最後用常識判讀這個數字代表什麼。

跟 ER 1.5 差在哪？

官方用一張工具照片舉例：

安全性

官方稱這是「目前最安全的機器人模型」，在對抗性的空間推理測試中，遵守 Gemini 安全政策的表現優於前代。它也更會遵守物理限制，例如「不要碰液體」「不要拿超過 20 公斤的東西」這類指示。

在用真實受傷報告設計的測試裡，ER 系列辨識傷害風險的表現比 Gemini 3.0 Flash 高約 6%（文字）與 10%（影片）。

給開發者的技術細節

• 入口：Gemini API 與 Google AI Studio；官方提供示範設定與提示方式的 Colab。
• 官方評測圖中，讀儀表的測試有開啟 agentic vision（ER 1.5 不支援所以沒開），其他測試則關閉。
• 單鏡頭與多鏡頭的成功偵測用的是不同題目，數字不能互相比較。
• 如果特定場景表現不好，官方請你提交 10 到 50 張標註好的失敗案例圖片。

我的看法

我平常做的是網站與系統，不碰機器人，但這則新聞有個地方我覺得值得記下來：模型的賣點不是「更會聊天」，而是「知道什麼時候該停手、什麼東西不該碰」。把 AI 放進現場的流程，這比跑分更重要。

對小團隊來說，真正的門檻是硬體，不是模型；不過讀儀表這類需求，用一般的攝影機加上 API 就有機會試試，例如拍機房或設備的表頭再讓模型讀數字。要不要信它的讀數，還是得拿自己的場景實測，別直接照官方範例的結果推論。

名詞小辭典

• 具身推理（Embodied reasoning）：讓 AI 理解實體世界的空間、物體與任務步驟，再決定機器人該做什麼。
• VLA（視覺－語言－動作模型）：看得懂畫面和文字、並直接輸出動作指令的模型。
• Agentic vision：模型自己決定要放大、標記、寫程式計算，而不是只看一眼就回答。
• Sight glass（液位視窗）：管線或槽體上的透明窗口，用來看裡面的液體有多高。

資料來源

• Google DeepMind：Gemini Robotics-ER 1.6（2026-04-14）