DeepMind把Gemini装进Atlas后，机器人更像会思考了
1个合作信号说明物理AI正在加速：DeepMind把Gemini接入Atlas，目标是把新任务训练压到一天内。
DeepMind把Gemini接入Atlas，物理AI开始从演示走向可用。
谷歌DeepMind与波士顿动力在CES 2026宣布合作，把Gemini AI集成进Atlas人形机器人，目标是把新任务学习时间压到一天内。这个变化不是简单升级硬件，而是把机器人从“按代码执行”推向“看懂环境再行动”。
| 项目 | 关节数 | 动作能力 | 训练目标 |
|---|---|---|---|
| Atlas 2026 | 56个主动关节 | 多关节360度旋转 | 一天内学会新任务 |
| Gemini集成 | 不适用 | 视觉-动作联合推理 | 减少手写控制代码 |
1. Atlas 2026的人形本体
Get the latest AI news in your inbox
Weekly picks of model releases, tools, and deep dives — no spam, unsubscribe anytime.
No spam. Unsubscribe at any time.
Atlas 2026生产型号最直接的看点，是它的身体能力已经不是“像人”，而是超过很多人类动作边界。56个主动关节加上大量360度旋转结构，让它在姿态调整、转身、伸展和抓取上有更大的动作余量。
这类硬件意义很现实：关节越多，机器人越能完成复杂动作，但也越依赖更聪明的控制系统。Atlas的价值不只在机械设计，而在于它把高自由度身体和更强的认知模型绑在了一起。
- 56个主动关节
- 部分关节支持360度旋转
- 适合复杂姿态和连续动作
2. Gemini带来的视觉-动作联合推理
DeepMind给Atlas带来的核心变化，是让机器人不再只接收固定指令，而是能把视觉信息和动作决策连起来。它看到什么、判断什么、下一步怎么动，开始由模型统一处理。
这意味着机器人从“工程师预先写好路径”变成“现场理解任务再执行”。对物理AI来说，这一步很关键，因为现实世界里最大的难点不是做动作本身，而是面对变化时还能做对动作。
- 识别环境中的物体与位置关系
- 根据场景选择抓取、移动或避让
- 减少逐行编写控制逻辑
3. 一天学会新任务的训练效率
这次合作最吸引人的地方，是训练时间的压缩目标。当前机器人训练往往需要大量调试、样本和人工介入，而Atlas的新目标是把学习新任务的周期压到一天内。
如果这个目标能够稳定实现，机器人部署方式会变得更接近软件迭代：换一个工位、换一种物料、换一项流程，适配成本都可能明显下降。对工厂、仓储和实验室来说，这比单次演示更重要。
- 更快适配新工序
- 更低的现场调试成本
- 更适合多场景轮换部署
4. 物理AI的应用边界被推高了
过去很多机器人只适合重复、规则固定的工作，因为它们对环境变化的容忍度有限。Gemini加入后，Atlas开始具备处理复杂任务的潜力，应用边界也随之被拉高。
这类能力一旦成熟，价值会落到需要观察、判断、调整的场景里，而不只是搬运和分拣。物理AI真正的商业空间，往往就在这些“动作不难，但情况总在变”的工作中。
- 制造业装配与巡检
- 仓储拣选与搬运
- 实验室操作与样本处理
5. 合作模式比单打独斗更快
DeepMind没有自己从零造整机，而是选择和波士顿动力合作，把模型能力直接嵌进成熟机器人平台。这种路径的优势很清楚：硬件、控制和场景经验可以分工推进，落地速度也更快。
对行业观察者来说，这说明物理AI的竞争不只是比谁模型大，还比谁能更快把模型塞进可工作的机器里。未来更可能出现的是“模型公司 + 机器人公司 + 场景方”的组合，而不是单一厂商包办全部环节。
- 模型能力与硬件平台分工
- 更容易进入真实场景测试
- 缩短从实验室到产品的路径
How to decide
如果你关注的是技术演进，Atlas这次更新最值得看的是“视觉-动作联合推理”是否真的能稳定工作；如果你看重产业落地，重点则是一天内学会新任务能否在工厂和仓储里复现。
对投资和行业研究来说，这条新闻的信号很明确：物理AI的竞争焦点正在从单纯的机械性能，转向模型能力、训练效率和场景适配三者的组合。