Google DeepMind｜Gemini Robotics 2实现全身控制与多机协作

人形机器人会挥手已经不够看了——Google DeepMind要让它们从脚到指尖一起干活。

Google DeepMind是Alphabet旗下前沿人工智能研究机构，近年把Gemini多模态能力向物理世界延伸，形成Gemini Robotics产品线。2025年公司已展示视觉与语言驱动机器人动作的版本；行业共识是：桌面上的抓取演示不难，难的是走进人类生活空间后还能走、蹲、弯腰、换手，并在不确定环境里与人安全共处。

7月30日，DeepMind正式发布Gemini Robotics 2，定位下一代可适应机器人的智能层，重点解锁全身控制、精细灵巧操作与多机器人协作。体系拆成三款模型协同工作，也可按场景独立调用。

三款模型分工：

1. Gemini Robotics 2：最强视觉—语言—动作模型（VLA，Vision-Language-Action），把视觉与语言输入转成电机控制，可驱动完整人形与双臂机器人，并覆盖多指手与平行夹爪。
2. Gemini Robotics ER 2：具身推理（Embodied Reasoning）模型，本质是视觉语言模型（VLM），充当高层Agent——与人沟通、理解物理世界、规划可持续数分钟的多步任务，并支持多机组队协作。
3. Gemini Robotics On-Device 2：端侧高效VLA，面向无网络或低延迟场景；可用数小时数据、通常少于200个样本适配全新双臂本体，即使形态、传感器与自由度差异很大。

相对此前主要控制上半身做桌面操作的版本，Gemini Robotics 2首次把控制范围扩到整个人形。例如指挥Apptronik Apollo 2「把喷壶放进底层绿色箱子」，机器人需行走到桌边取物，再走到货架完成放置。官方展示同一套模型权重可驱动三种本体：Apollo 2搭配SharpaWave手、Apollo 2搭配Inspire手，以及Franka Duo搭配Robotiq夹爪。

灵巧与安全数据：

1. 多指手：SharpaWave为五指、22自由度，可完成打结、封自封袋等动作；拧下灯泡成功率约92%，拧上灯泡约36%，扎垃圾袋约44%，簸箕操作约32%，自封袋约40%——精细操作仍是短板。
2. 夹爪：Franka Duo上通用抓取放置约74.2%，工具齐套约78.9%，精密插入约89.6%。
3. 全身操作示例（Apollo + Inspire手）：桌面拾取约68.4%，地面拾取约45.7%，货架拾取约76.3%。
4. 安全：推出ASIMOV-Agentic基准，衡量具身推理Agent能否拒绝不安全工具调用、判断任务可否安全完成，以及不确定时是否主动请求人工介入；DeepMind称ER 2在安全约束遵循与人类邻近基准上为迄今最安全的机器人模型，可在人靠近时触发安全工具调用并安全停机。

所谓VLA，白话就是「看见图、听懂话，直接输出怎么动」；ER则像给机器人配了一个会做计划的大脑，VLA负责把计划变成关节动作。开放节奏分层：Gemini Robotics ER 2已在Google AI Studio公开展示，并在Gemini Enterprise Agent Platform提供私人预览；VLA与On-Device模型面向早期合作伙伴与受信任测试方。合作伙伴公开致谢名单中包括Apptronik、Boston Dynamics与Agile Robots等。

具身智能的下一道坎，不是再拍一段会跳舞的视频，而是全身协调、多机分工与安全停机能否进真实场景。观察点有三：多指任务成功率能否从演示区间爬到可用区间；端侧适配成本是否真能压到「数小时级」；ASIMOV类安全评测会不会成为行业采购的硬门槛。