NE时代

◎ 谷歌给机器人换了一颗能“带队”的大脑。

△ 撰文：DONG.ZY

一台机器人能拿东西，和它能独立收拾房间，是两回事。

前者只需要完成一个动作，后者要自己走到目标附近，选择站位，协调全身完成抓取，再记住任务进度，把物体送到正确位置。中间任何一步出错，机器人都得知道哪里出了问题。

7月30日，Google DeepMind发布Gemini Robotics 2。演示中，Apptronik Apollo 2机器人接到一句指令：“把洒水壶放进货架底层的绿色收纳箱。”

Apollo 2走到桌边拿起洒水壶，转向货架，移动到合适位置，再弯下身体完成放置。整个过程同时调用腿部、躯干、双臂和手部，机器人不再站在固定工作台前，只用上半身执行任务。

与Gemini Robotics 2一起发布的，还有负责高层任务规划的Gemini Robotics ER 2，以及在机器人本地运行的Gemini Robotics On-Device 2。

Google DeepMind把机器人需要的几种能力拆成了不同层级：VLA模型控制身体，具身推理模型管理任务，端侧模型负责本地运行和硬件适配。

谷歌没有推出自己的机器人，却把Apollo人形机器人、Franka双臂平台、五指灵巧手和两指夹爪都接入了同一套模型体系。

这比发布一款机器人更能体现谷歌的目标：把Gemini放到不同机器人硬件之上。

01.

机器人终于不只会站着干活

Gemini Robotics的上一代模型，主要控制人形机器人的上半身，任务集中在桌面附近。机器人站在固定位置，通过双臂完成抓取、整理和工具操作。

桌面任务省去了移动环节，也缩小了全身控制的范围。机器人不用走向目标，很少需要在抓取时同步处理站位、身体平衡和视角变化。

Gemini Robotics 2把控制范围从上半身扩大到完整人形机器人，模型接收图像和文字，再输出机器人动作，可以控制腿部、躯干、双臂和末端执行器。

这项变化首先扩大了机器人的可操作空间。

物体可以放在桌面、地面或货架上，机器人需要根据目标位置走动、弯腰、下蹲或伸展，再让手臂进入合适的抓取区域。身体姿态改变后，摄像头视角和机械臂可达空间也会变化，模型必须在运动过程中重新安排后续动作。

Apollo 2搭配Inspire灵巧手完成了三类全身抓取测试：从桌面抓取的成功率为68.4%，从地面抓取为45.7%，从货架抓取为76.3%。

地面抓取的结果最低，相比桌面和货架，机器人从地面拿取物体时，需要更大幅度地调整躯干和重心，手臂接近目标时的观察角度也更受限制。

全身控制不是在机械臂任务前面加一段行走，移动、站位、平衡和操作会互相影响，模型要处理的是一条连续动作链。

Google DeepMind还让同一个Gemini Robotics 2模型检查点进入三套硬件：Apollo 2搭配SharpaWave灵巧手、Apollo 2搭配Inspire灵巧手，以及Franka Duo双臂机器人搭配Robotiq夹爪。

这三套组合的差异很大。

Apollo 2是完整人形机器人，Franka Duo是双臂操作平台；SharpaWave和Inspire采用多指结构，Robotiq则是两指夹爪。它们拥有不同的关节数量、控制接口和动作空间。

同一个模型检查点能够跨越这些硬件，说明Google DeepMind正在减少VLA模型对单一本体结构的依赖。

其中，SharpaWave是一款接近人手尺寸的五指灵巧手，拥有22个主动自由度。

Gemini Robotics 2控制Apollo 2搭配SharpaWave，执行了拧灯泡、系垃圾袋、使用簸箕和封闭密封袋等多指任务。

拧出灯泡的成功率达到92%，拧入灯泡为36%；系垃圾袋、使用簸箕和封闭密封袋的成功率分别为44%、32%和40%。

多指操作没有因为自由度增加而自动变得更灵巧。

机器人拧出灯泡时，可以沿着已有螺纹反向旋转；重新拧入则要先完成对准，再持续控制旋转方向和轴向位置。垃圾袋和密封袋还会随抓握发生形变，需要双手在操作过程中不断调整接触位置。

Franka Duo搭配Robotiq两指夹爪时，一般抓取放置、不同工具配套和精密插入的成功率分别达到74.2%、78.9%和89.6%。

两指夹爪的动作空间更简单，接触方式也更受约束。五指手可以使用更多为人设计的工具，却要同时安排多根手指的姿态、接触顺序和作用力。

Google DeepMind也承认，多指灵巧操作仍然具有挑战。

Gemini Robotics 2已经把一套VLA模型从桌面操作推向完整人形机器人，也让模型开始适应不同机器人身体和末端执行器。机器人获得了更大的活动范围，控制难度也从“手怎么动”扩大到“整副身体如何配合”。

02.

ER 2开始盯着机器人把任务做完

全身控制解决了机器人怎样行动，却没有回答另一个问题：它能不能把一项工作做完。

整理房间、收拾厨房或执行工业流程，往往持续数分钟。机器人要找到目标、安排步骤、执行动作、检查结果，还要处理某一步没有成功的情况。

如果模型只根据最初的指令生成动作，任务很容易在中途断掉。机器人移动物体后，现场状态已经改变；柜门没有完全打开，后面的拿取动作也要跟着调整。

Gemini Robotics ER 2负责管理这段过程。

ER 2基于Gemini 3.5 Flash，可以接收文字、图像、视频和音频，支持最高128K上下文。它不直接控制关节，而是观察环境、拆解任务、维护执行进度，再把具体动作交给下层VLA模型。

机器人执行当前动作时，ER 2可以继续规划下一步。执行结果与预期不符，它会重新尝试或调整后续计划。

Google DeepMind称，ER 2可以处理持续数分钟、包含数百次决策的长任务。模型能够识别任务何时开始、何时结束，还能判断关键事件发生在哪个时间点。

在任务结果判断测试中，ER 2根据图像识别任务是否成功的准确率为87.7%，根据视频判断的准确率为82.4%。任务进度分类准确率为57.4%。

完成状态通常有一个明确结果，进度判断更复杂。模型需要从连续画面中识别机器人已经完成哪些步骤，当前动作是否有效，以及接下来应该进入哪一环。

这项能力直接影响长任务的连续性。

单个技能成功率再高，只要某一步失败后没有被系统发现，后续动作就会沿着错误状态继续执行。ER 2把结果检查和重新规划加入任务链，让机器人能够从中间位置继续处理问题。

在控制真实VLA模型的测试中，ER 2取得60.0%的任务成功率，上一代ER 1.6为48.6%。控制仿真VLA时，两者分别为42.9%和37.4%。

ER 2还可以调用搜索、函数调用、代码执行、结构化输出和网址上下文等工具。

机器人获得的信息不再只来自摄像头，它可以查询外部资料、读取软件系统中的信息或完成必要计算，再把结果转成任务安排。

这是Gemini在数字Agent领域积累的能力，开始向物理任务迁移。不同之处在于，数字Agent调用错误工具，通常只会得到错误结果；机器人一旦执行了错误动作，就可能碰撞设备、损坏物体或影响附近人员。

Google DeepMind因此把安全判断放进了高层模型。

此次发布的ASIMOV-Agentic基准，用于评估具身推理模型能否拒绝来自VLA的不安全工具调用、判断任务是否可行，以及在无法确认时主动请求人类介入。

ER 2在安全指令遵循测试中的准确率为97.9%，在人类距离机器人1米范围内的安全评测中取得93.0%。检测到人员靠得过近时，模型可以触发安全工具，让机器人停止。

安全之外，ER 2还加入了多机器人协作。

不同机器人可以交换信息，判断彼此擅长什么，并自主分配任务。移动平台可以负责转运，机械臂处理固定工位，人形机器人操作为人设计的工具。ER 2负责把这些能力组织到同一个任务里。

机器人组队的难点不只是通信。

上层模型还要掌握每台机器人的位置、执行进度和身体能力。某台机器人没有完成任务，系统需要重新分配剩余步骤；场景状态发生变化，其他机器人也要同步调整。

ER 2把具身推理的范围从一台机器人的动作规划，扩大到多种机器人之间的任务调度。对于拥有不同本体和工位的复杂场景，这比让所有任务都由一台通用机器人完成更现实。

03.

少于200个示例，模型就能换一副身体

机器人行业长期存在一个难以回避的问题：没有统一硬件。

人形机器人、双臂平台、协作机械臂和移动机器人拥有不同关节结构、传感器配置和控制频率。同一个“拿起杯子”指令，落到不同机器人上，对应的动作输出并不相同。

模型能否跨本体复用，决定了机器人公司需要为新硬件重新采集多少数据、训练多长时间。

Gemini Robotics On-Device 2处理的是硬件适配和本地运行。

这款模型基于Gemini Robotics 1.5技术和端侧Gemma模型，接收文字、图像及机器人本体状态，输出机器人动作。模型直接运行在机器人设备上，可以避开网络延迟和互联网连接限制。

本地运行对机器人比对聊天应用更重要，机器人要连续响应物体移动、人员接近和接触变化，网络抖动可能直接打断动作。部分工业和家庭场景也不适合持续上传现场数据。

On-Device 2继承了上一代的运动迁移技术。Google DeepMind称，只需数小时适配时间、通常少于200个示例，模型就可以进入形状、传感器和自由度不同的新双臂机器人。

Google DeepMind在Dexmate、SO101和Trossen平台上展示了这种适配能力。

在SO101平台上，On-Device 2最终成功率达到53.3%，上一代为6.7%；在Dexmate平台上，新模型达到75.6%，上一代为33.3%。

少于200个示例，让新硬件接入模型的成本有了更明确的衡量尺度。

过去，一款机器人更换手臂、夹爪或传感器后，原有动作数据未必还能直接使用。硬件厂商往往需要重新采集数据，再针对新的动作空间进行训练。

On-Device 2先保留模型从多种本体中学到的共同能力，再用新机器人的少量数据完成动作适配。硬件厂商可以围绕自己的关节、传感器和运动范围继续训练，不必从头构建完整的VLA系统。

不过，三款模型距离全面开放还有不同距离。

Gemini Robotics 2处于私有预览；Gemini Robotics ER 2已经在Google AI Studio和Gemini API开放公开预览，同时在Gemini Enterprise Agent Platform进行私有预览；Gemini Robotics On-Device 2目前只向受信任测试者开放。

Google DeepMind先把高层具身推理能力交给开发者，涉及真实机器人控制的VLA和端侧模型，则继续通过合作伙伴扩大硬件测试。

本次发布中，Google DeepMind列出的机器人合作伙伴包括Apptronik、Boston Dynamics和Agile Robots。实际测试还使用了Franka、Robotiq、Inspire和Sharpa等企业的硬件。

Google DeepMind没有推出自己的机器人整机，也没有要求所有厂商使用同一种机械结构，它选择把Gemini放在硬件之上，再通过跨本体模型和端侧适配进入不同机器人。

这条路线会让机器人公司的分工变得更清楚。

整机厂商继续解决关节、驱动、负载、续航和制造问题；模型公司负责理解指令、规划任务、生成动作，并让这些能力在不同本体之间迁移。

当机器人从单项演示走向连续工作，竞争标准也会跟着改变。模型要控制完整身体，要记住长任务做到哪一步，还要在换机器人之后迅速恢复操作能力。

Google DeepMind没有制造下一台人形机器人，它正在争夺下一批机器人的大脑。

-END-