Google DeepMind 釋出 Gemini Robotics 2：機器人終於能「全身心」幹活

當所有人都在卷機器人「本體」的時候，谷歌選擇了賣「大腦」。當地時間 7 月 30 日，Google DeepMind 正式釋出新一代機器人智慧層 Gemini Robotics 2，一次端出三款模型，把機器人的能力從桌面抓取直接拉到了人形全身控制。

三款模型分工明確。Gemini Robotics 2 是視覺-語言-動作模型（VLA），負責把攝像頭畫面和自然語言指令直接轉成電機控制訊號，能從腳到指尖完整操控一臺人形機器人；Gemini Robotics ER 2 是「高階大腦」，負責理解指令、觀察環境、拆解多步驟任務，還能同時協調多臺機器人分工協作，官方稱可自動化處理包含數百個步驟的長程任務；Gemini Robotics On-Device 2 則是端側輕量版，用不到 200 個示例、幾小時訓練，就能適配一臺全新的人形機器人。

演示裡，Apptronik 的 Apollo 機器人完成了走路、彎腰、把灑水壺放到低層貨架的全流程，中途還自己繞開障礙物；「擰下燈泡」的成功率達到 92%。更關鍵的是 ER 2 引入了斷點續跑能力：執行出錯時，模型能透過攝像頭畫面識別最後正確的步驟，從斷點繼續，不用從頭再來。

這套設計的核心思路，是給機器人行業提供一層通用智慧底座，而不是自己下場造本體。 谷歌機器人業務副總裁卡羅琳娜·帕拉達說得直接：目標是「把 AI 帶入物理世界，構建一層能被所有機器人使用的智慧層」。釋出會上還同步推出了 ASIMOV-Agentic 安全基準，專門評估人形機器人在避免碰撞、拒絕危險指令方面的能力，並宣佈 ER 2 向開發者開放預覽，更專業的兩個模型則向 Apptronik、Agile Robots、Boston Dynamics 等 100 多家受信測試機構開放。

不過，谷歌自己也沒回避差距。DeepMind 機器人部門總監拉奧坦言，真正意義上的靈巧仍是遠期目標——機器人動作目前仍顯緩慢刻意，因為機器必須停下來「思考」人類憑直覺就能做的判斷。測試也顯示，多指靈巧手的表現目前反而打不過兩指夾爪。

把視線拉遠一點，這場機器人競賽的賽點其實已經變了：特斯拉在弗裡蒙特練 Optimus，Figure 的 BotQ 工廠一小時下線一臺，而谷歌站在旁邊遞上「作業系統」——賭的是誰能讓所有機器人跑同一套智慧層。對行業來說，本體競爭的盡頭大機率是標準競爭，誰的大腦能適配最多的身體，誰就拿到平臺位。 至於「通用人形」還要多久，官方那句話最實在：距離靈巧，還有很長的路。