给一台人形机器人下达一句”把洒水壶放到架子的绿色箱子里”，它自己走过去、弯腰拿起水壶、绕过障碍物、精准放入收纳箱——这不是科幻电影的场景，而是Google DeepMind在7月30日刚刚发布的Gemini Robotics 2完成的实操演示。
这次谷歌不是简单地升级一个模型，而是一次性扔出了三个互相配合的机器人AI系统，试图解决困扰行业多年的核心难题：让机器人从”只会动手臂”进化到”全身协调”。
三模型分工：大脑、四肢、本地引擎各司其职
Gemini Robotics 2系列的核心架构分成三层，每层解决一个关键问题。
Gemini Robotics 2（VLA执行模型）负责把摄像头画面和自然语言指令直接转化为电机控制信号。与前代只能操控机器人上半身不同，新一代首次实现了从头到脚的全身关节控制——行走、转向、下蹲、弯腰、保持平衡，再到手臂抓取，全部由同一个AI模型统一调度。这意味着机器人不再需要”先走到位置停下来，再伸手拿东西”的分步操作，而是边走边看边拿，动作连贯性大幅提升。
Gemini Robotics ER 2（具身推理模型）是整套装系统的”高级大脑”。它不直接控制电机，而是负责理解指令、拆解任务、跟踪进度、处理异常。当你给它一句模糊的”儿童需要运动”，ER 2会自动拆解出找棒球、拿球拍、布置场地等十几个步骤，并在执行过程中持续通过摄像头监控进度——如果某一步出错，它从断点重试而非从头来过。更关键的是，ER 2支持多台不同类型机器人协同作业，一台搬东西、一台组装、一台质检，分工配合完成同一条工作流。
Gemini Robotics On-Device 2（端侧模型）跑在机器人本地的计算单元上，无需联网，延迟极低。最实用的特性是跨硬件适配——只需几小时数据和不到200条示例，就能迁移到一台全新形态的机器人上，大幅降低厂商适配成本。
实测数据：拆卸能力惊艳，精细组装仍有短板
谷歌同步公布了标准化测试数据，可以看到新一代灵巧操作的真实水平。拧下灯泡成功率高达92%，22自由度五指灵巧手能精准控制力度、不捏碎玻璃灯罩，这是本次发布最具标志性的演示。货架拾取成功率76.3%，桌面拾取68.4%。
但精细组装类任务依然棘手：安装灯泡成功率仅36%，扎垃圾袋44%，密封拉链袋40%，扫簸箕配合32%。拆卸靠旋转就够了，组装需要双向力度控制——力大了滑丝，力小了空转，这正是当前机器人与人类差距最明显的地方。
谷歌的差异化路线：只做AI大脑，不做硬件身体
特斯拉Optimus、宇树、Figure AI都在走整机自研路线，而谷歌选择了完全不同的赛道——不造机器人硬件，只提供通用AI模型，向所有厂商开放。目前合作方包括Apptronik、波士顿动力、Agile Robots等，同一套模型权重可以驱动人形机器人Apollo 2，也可以驱动工业双臂Franka Duo。
在安全维度上，ER 2的安全指令遵循准确率从上代的47.2%飙升至97.9%，人体 proximity检测准确率从51.1%提升到93.0%。当有人靠近1米范围内，机器人会自动停机，区域清空后恢复工作。谷歌还同步推出了ASIMOV-Agentic安全基准，专门测试机器人在不确定环境中的风险识别和主动求助能力。
开发者现在就能通过Gemini API和Google AI Studio使用ER 2模型进行多步骤任务规划的测试。VLA和端侧模型则面向早期合作伙伴及100多家受信任测试机构定向开放。
具身智能的竞争正在从”谁的机械臂更灵活”转向”谁的大脑更通用”。谷歌这次用三个模型的组合拳，把赌注押在了”一套智能层适配所有机器人”的生态路线上，是否能成为机器人领域的Android，还得看后续开放节奏和实际落地效果。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
