摘要： Google DeepMind 於 2026 年 7 月 30 日發表 Gemini Robotics 2，把機器人控制從上半身推進到腳到指尖的全身，並包含 VLA、ER 2 推理模型與 On-Device 2 三個模型。新系統支援多機協作，新機體通常只需數小時與不到 200 筆範例即可適應；公司也提出 ASIMOV-Agentic 安全基準。
2026 年 7 月 30 日，Google DeepMind 端出 Gemini Robotics 2，把累積一年多的「視覺—語言—動作」路線又推了一步。這回的差別落在控制範圍：機器人不只會動上半身，而是腳到指尖的全身。DeepMind 機器人部門負責人 Carolina Parada 在公告裡替這一代定調，稱它是「下一代真正可適應機器人的智能層」。
三個模型構成一套系統
Gemini Robotics 2 底下共有三個模型。核心的 Gemini Robotics 2 屬於最強等級的視覺—語言—動作模型（VLA），視覺與語言輸入進來後直接轉成馬達控制，人形與雙臂機器人都能完整驅動。Gemini Robotics ER 2 則是具身推理模型（VLM），扮演機器人的高層大腦，工作內容包括與人溝通，以及規劃長度達數分鐘的多步驟任務。Gemini Robotics On-Device 2 走效率路線，是專為在本機硬體上離線執行而設計的 VLA。上架情況方面，ER 2 已可在 Google AI Studio 使用，並於 Gemini Enterprise Agent Platform 私人預覽；另外兩個模型先開放給早期存取夥伴。
全身控制與靈巧雙手
展示中最能看出差距的是全身任務。對 Apptronik 的 Apollo 2 人形機器人下指令「把灑水壺放進下層架子的綠色箱子」，它會自行走向桌子、拿起灑水壺、再走到架子前放妥；前幾代的本事則僅限於上半身、桌面上的任務。靈巧操作上，Apollo 2 的 SharpaWave 五指手有 22 個自由度，同一個模型檢查點就能驅動它完成綁繩結、密封夾鏈袋等細膩動作；換到 Franka Duo 平台，同一個檢查點也能操作標準二指夾爪做緊密裝箱。不過 DeepMind 並未粉飾，多指靈巧操作的成功率依然是一道難題。
代理式推理與多機協作
ER 2 的定位更接近代理：先觀察環境、再推演步驟，接著指揮 VLA 動手，同時追蹤進度，哪一步失敗就自行修正。這一代能穩定跑完長達數分鐘、牽涉數百個決策的任務序列；任務何時開始、何時結束，模型也判斷得出來，還能標定關鍵事件發生的時刻。新增的「多機器人協作」功能，讓不同型號的機器人彼此溝通、分擔單機無法獨力完成的工作流；清理凌亂房間的示範中，機器人便是靠組隊把完成速度拉上來。
On-Device 2：幾小時上手新機體
不少機器人應用場景根本不能連網。On-Device 2 沿用 Gemini Robotics 1.5 的「動作遷移」技術，把多機體支援做進原生能力：碰上形狀、感測器、自由度都大不相同的新機器人，一般只需不到 200 筆範例、花上數小時適應即可；示範涵蓋 Dexmate、SO101 與 Trossen 三個平台。對硬體新創而言，「買模型、套機體」的成本又降了一級。
安全設計：ASIMOV-Agentic 基準
能力往上走，安全測試也必須跟上。DeepMind 為此提出 ASIMOV-Agentic 基準，檢驗具身推理代理面對 VLA 發出的不安全工具呼叫時是否會拒絕、能否預判任務做不做得到，以及在不確定時會不會主動請人類接手。ER 2 同時拿下 DeepMind 至今在「安全約束遵循」與「人機接近」兩項基準上最安全的機器人模型成績：偵測到有人靠近、觸發安全工具呼叫、讓機器人安全停下，這些都是協作安全標準的關鍵要求；細節寫在隨發布一併公開的安全技術報告裡。
對機器人開發者的意義
有三個訊號值得留意。其一，「ER 規劃、VLA 執行」的兩層架構逐漸定型，與軟體工程裡代理負責規劃、工具負責執行的分工如出一轍。其二，多機體適應的門檻已降到幾小時、兩百筆資料，機器人新創可以把心力放在機體設計，不必從零訓練模型。其三，Google 讓 ER 2 進到 AI Studio 與企業代理平台，等於把物理 AI 拉進一般開發者的工具鏈。DeepMind 講得很直白，這是邁向「在物理世界解開 AGI」的里程碑——而這一步，把人形機器人從展示影片帶往真正可用的任務。