谷歌DeepMind近日宣布推出新一代机器人基础模型系列——Gemini Robotics 2，标志着人形机器人控制技术迈入全新阶段。与前代仅能操控上半身完成桌面任务不同，此次升级的视觉-语言-动作（VLA）模型首次实现了对完整人形机器人的全身控制，覆盖从双腿到手指的全自由度，并支持在多种硬件平台上共享同一模型权重，为机器人跨平台协作提供了技术基础。
传统机器人开发长期面临两大核心挑战：一是控制系统的碎片化，例如波士顿动力的Atlas等机型依赖独立控制器分别管理行走、平衡等能力，而Figure、特斯拉等厂商虽采用学习策略，但仍将行走控制与操作策略分离，导致真实环境中“边走边做”的协调性不足；二是硬件适配的封闭性，多数策略需针对特定机型训练，更换传感器或执行器后需重新采集数据，限制了通用模型的规模化应用。Gemini Robotics 2的推出旨在破解这些难题，其模型家族包含三个关键组件：主力VLA模型、具身推理模型ER 2和端侧模型On-Device 2。
主力VLA模型作为核心控制单元，可直接将摄像头画面与自然语言指令转化为电机控制信号，实现端到端的全身动作输出。在演示中，同一模型检查点成功驱动了三种不同配置的机器人：Apptronik的Apollo 2搭配两种机械手，以及双臂平台Franka Duo搭配夹爪。具身推理模型ER 2则扮演“高层规划者”角色，通过分析连续视频流将复杂任务拆解为子步骤，并实时监控执行进度，在失败时触发重试或求助人类。其与VLA模型通过双向流式接口通信，可提前推理下一步动作，避免传统“停一步、想一步”的延迟。端侧模型On-Device 2专为无网络或低延迟场景设计，可直接部署于机器人本地芯片，继承自前代的运动迁移技术使其能在200个演示样本内快速适配新硬件，显著降低部署成本。
在功能验证中，Apollo 2机器人展示了从接收指令到完成“将浇水壶放入货架绿色箱子”的全流程自主操作，涵盖行走、抓取、放置等动作。然而，技术团队坦言当前模型仍存在局限：桌面物品拿取成功率为68.4%，地面拿取降至45.7%，移动速度也明显慢于人类。面对不同手部形态时，模型表现差异显著——两指夹爪在通用抓放任务中成功率达74.2%，而五指机械手SharpaWave在拧灯泡、垃圾袋打结等精细操作中成功率不足40%，暴露出多指灵巧控制的薄弱环节。
协作能力是此次升级的另一亮点。ER 2模型支持异构机器人通过共享语义理解分配子任务，无需预设通信协议即可实现分工。例如，轮式机器人可负责室内平地移动，人形机器人处理复杂地形，二者通过ER 2协调完成单机无法胜任的任务流。为保障安全，DeepMind同步推出ASIMOV-Agentic基准，通过拒绝不安全指令、预测任务可行性及主动请求人类介入等功能，构建具身场景下的安全编排体系。ER 2的空间推理能力亦获增强，可基于连续视频流检测液体洒出等中间事件，并扩展至数字显示屏、液体温度计等10类仪表的读数识别。
横向对比行业竞品，Gemini Robotics 2的差异化优势在于硬件适配的开放性。Figure公司此前发布的Helix 02虽在长时序全身控制完整度上更胜一筹，但其架构仅适配自家机器人，而Gemini系列可驱动第三方平台。Physical Intelligence的π0.7模型主打技能重组解决新任务，但尚未展示下肢与操作的联合控制能力。目前，ER 2已通过Google AI Studio开放使用，VLA主力模型与On-Device 2则面向Apptronik、Franka等早期合作伙伴部署，标志着通用机器人智能层从实验室走向产业应用的关键一步。
