生成式人工智能在机器人领域潜力巨大，涵盖自然语言交互、机器人学习、无代码编程及设计等场景。本周，谷歌 DeepMind 机器人团队展示了该技术在导航领域的最新应用突破。
在论文《Mobility VLA：基于长上下文视觉语言模型与拓扑图的多模态指令导航》中，团队利用 Google Gemini 1.5 Pro 教导机器人在办公室内响应指令并自主导航。测试平台为“日常机器人”（Every Day Robots），该项目虽于去年因裁员暂停，但相关设备仍被用于此次研究。
演示视频中，DeepMind 员工以智能助手风格发出指令，要求机器人在约 9,000 平方英尺的办公空间内执行多样化任务。
例如，当员工请求前往绘画区时，佩戴黄色领结的机器人回应“正在用 Gemini 思考”，随后准确引导至白板前；另一场景中，机器人根据白板上的文字指示行动，通过地图识别到达“蓝色区域”。尽管选择了绕远路径，机器人最终成功抵达测试区，并自信反馈“已成功遵循白板上的指示”。
此前，机器人通过“多模态指令导航演示之旅（MINT）”熟悉环境，即在参观过程中通过语音标记地标。团队采用分层视觉-语言-动作（VLA）模型，融合环境理解与常识推理能力，使机器人能够响应书面/手绘指令及手势。
数据显示，在与员工的 50 多次互动测试中，机器人的任务成功率约为 90%。