Google DeepMind 发布 Gemini Robotics 2：给机器人「全身智能」

三个模型，各管一段

7 月 30 日，Google DeepMind 发布 Gemini Robotics 2 家族，主打「全身智能」：机器人可以在行走、下蹲、伸展等全身动作中完成操作，兼顾双手协同、杂乱环境操作与多台机器人协作。官方给出的定位不是某款机器人，而是「驱动下一代真正可适应机器人的智能层」——从脚到指尖。

发布稿先把问题摆出来：多数机器人仍是被预编程或遥操作的，只能应付狭窄、重复的任务序列，既不能真正自己学习，也无法适应不可预测的环境；而把一个本体上学到的技能迁移到另一个本体，至今仍然极其困难。要在规模上处理最难的问题，各种形状与尺寸的机器人都需要能思考、行动、与人交互的 AI 模型。Gemini Robotics 2 就是针对这两件事的答案。

它由三个模型组成，分工清晰。Gemini Robotics 2 是最先进的视觉-语言-动作模型（VLA），把视觉与语言输入转成电机控制，能控制从脚到指尖的完整人形，也支持其他双臂机器人，并在灵巧手与普通夹爪上都带来新的操作水平。Gemini Robotics ER 2 是具身推理（ER）模型，作为视觉语言模型充当机器人的「智能体」：理解物理世界、与人交流、规划持续数分钟的多步任务，并协调多台机器人协同工作。Gemini Robotics On-Device 2 则是最高效的 VLA，为在机器人设备上本地运行而优化，可以用几小时的数据完成对全新本体的适配。

官方给了一个具体的例子：让搭载 Gemini Robotics 2 的 Apptronik Apollo 2 人形「把洒水壶放进底层货架的绿桶里」。Apollo 处理指令、走到桌边、拿起洒水壶，再走几步到货架前，把它准确放进目标位置。DeepMind 同时承认一个短板：机器人的移动速度仍有待提升。

从桌面任务到「脚到指尖」

这次升级最直观的变化是控制范围。此前几代模型控制的是人形的上半身，完成的是桌面任务；Gemini Robotics 2 首次把控制扩展到整个人形，把意图翻译成全身控制。这背后的理由很朴素：世界是按人的动作建造的，要伸手、要弯腰、要在局促杂乱的房间里保持平衡——别种形态的机器人在这些地方根本进不去。

灵巧性同样被当成重点。同一个模型既能在手上工作、也能在夹爪上工作：在 Apollo 2 上它可以操作五指、22 个自由度的 SharpaWave 手，完成打结、封自封袋这类精细动作；在 Franka Duo 平台上则可以操作标准两指平行夹爪，执行紧密装箱一类复杂任务。官方表示，他们还在继续推进精度与速度，目标是人类级别的灵巧性。

官方数字怎么读：灵巧手仍是短板

最能说明问题的是评测设置：同一个模型检查点被放到三种本体上——装 Inspire 手的 Apptronik Apollo 2、装 SharpaWave 手的 Apollo 2，以及配 Robotiq 夹爪的 Franka Duo。这正是「跨本体」的含义：模型权重不动，换身体。

公司自测的结果，Apollo 2 配 Inspire 手时，桌面抓取成功率 68.4%、地面抓取 45.7%、货架抓取 76.3%；换到 Franka Duo 双臂平台，通用抓放 74.2%、工具集配 78.9%、精密插装 89.6%。官方说明，图表里的每根柱子代表同一技能类别下多个任务的平均成功率，而不是单个任务的最好成绩。

多指灵巧操作则明显更难：Apollo 2 配 SharpaWave 手时，拧下灯泡 92%、拧上灯泡 36%、绑垃圾袋 44%、用簸箕 32%、密封袋封口 40%。DeepMind 自己在图注里写明，全身任务与夹爪类灵巧任务达到中到高成功率，但多指灵巧操作仍然具有挑战性——五项里有四项低于 50%。

读这些数字要留两层余量。其一，它们全部是公司自测，图表上带着误差棒，不是独立复现的基准；其二，不同技能类别之间的数字不能直接横比，抓取与拧灯泡的难度不可同日而语。这也是所有机器人模型发布时的共同问题：能力是真的在进步，但距离「可交付的可靠」还隔着大量现场验证。

推理、安全，以及它现在能被谁用上

Gemini Robotics ER 2 扮演的是机器人「高阶大脑」：观察房间、推理完成任务的步骤、与 VLA 协调把动作做出来、并持续跟踪进度直到任务完成，因此可以自我纠错，也能泛化到新情境与新目标。这次更新让它更可靠地执行更长序列的任务——持续数分钟、涉及数百个决策；它现在还能判断任务何时开始、何时结束，并定位关键事件发生的时刻，官方称这是理解进度能力上的一次跃升。

安全方面，DeepMind 一并发布了 ASIMOV-Agentic 基准，用来衡量具身推理智能体在编排安全行为与处理不确定性上的能力：包括拒绝 VLA 发出的不安全工具调用、预测一项任务是否可能完成、以及在不确定时主动请求人工介入。他们称 ER 2 是迄今最安全的机器人模型，在安全约束遵循与人体接近两类基准上表现最好，能更好地发现附近有人、触发安全工具调用，并在有人靠得太近时让机器人安全停下。

可获得性仍是分层的：ER 2 已可通过 Google AI Studio 使用，并在 Gemini Enterprise Agent Platform 面向企业私测；VLA 与端侧模型只对早期合作方开放，此外还有可信测试者计划可以申请。端侧模型的适配门槛被压得很低——用几小时、通常少于 200 个示例就能适配新的双臂本体，即使新本体的形状、传感器与自由度都与原来大不相同，官方演示里出现了 Dexmate、SO101、Trossen 等平台。

把时间线拉长看，这条路线是从 2025 年 3 月的初代 Gemini Robotics 一路走来的：从「机械臂加夹爪」的桌面任务，走向全身协调与跨本体迁移，官方致谢名单里出现了 Apptronik、Boston Dynamics、Agile Robots 这些本体厂商。它显然不是消费产品，而是一层希望被装进各种机器人里的智能——真正的检验，是这些自测数字能否在合作伙伴的现场里复现。