2026 年 7 月 30 日，Google DeepMind 發表 Gemini Robotics 2，把一年多來的「視覺—語言—動作」路線再往前推一步：機器人不再只動上半身，而是從腳到指尖的全身控制。DeepMind 機器人部門負責人 Carolina Parada 在公告中把這一代定位為「下一代真正可適應機器人的智能層」。
一套系統、三個模型
Gemini Robotics 2 由三個模型組成。Gemini Robotics 2 本體是最強的視覺—語言—動作模型（VLA），把視覺與語言輸入直接轉成馬達控制，能完整控制人形與雙臂機器人；Gemini Robotics ER 2 是具身推理模型（VLM），擔任機器人的高層大腦，負責與人溝通、規劃長達數分鐘的多步驟任務；Gemini Robotics On-Device 2 則是效率優先的 VLA，專為在本機硬體上離線運行而設計。ER 2 已上架 Google AI Studio，並在 Gemini Enterprise Agent Platform 私人預覽；另兩個模型開放給早期存取夥伴。
全身控制與雙手靈巧度
展示裡最有感的是全身任務。對 Apptronik 的 Apollo 2 人形機器人說「把灑水壺放進下層架子的綠色箱子」，它會自己走向桌子、拿起灑水壺、走到架子前放好——前幾代只能控制上半身做桌面任務。靈巧操作方面，同一個模型檢查點可以驅動 Apollo 2 上 22 自由度的 SharpaWave 五指手，完成綁繩結、密封夾鏈袋這類細膩動作，也能操作 Franka Duo 平台的標準二指夾爪做緊密裝箱。DeepMind 也坦言，多指靈巧操作的成功率仍是挑戰。
代理式推理與機器人團隊合作
ER 2 的角色更像代理：觀察環境、推演步驟、指揮 VLA 執行、追蹤進度，步驟失敗時自我修正。這一代能穩定執行長達數分鐘、涉及數百個決策的任務序列，模型也懂判斷任務的開始與結束、標定關鍵事件發生的時刻。新功能「多機器人協作」則讓不同類型的機器人互相溝通、分工接下單機做不來的工作流——清理凌亂房間的示範裡，機器人會組隊加速完成。
On-Device 2：幾小時學會新機體
許多機器人應用不能依賴網路。On-Device 2 延續 Gemini Robotics 1.5 的「動作遷移」技術，原生支援多機體：面對形狀、感測器、自由度截然不同的新機器人，通常只要不到 200 筆範例、數小時的適應時間就能上手，示範平台涵蓋 Dexmate、SO101 與 Trossen。對硬體新創來說，「買模型、套機體」又便宜一級。
安全設計：ASIMOV-Agentic 基準
能力變強，安全測試跟著升級。DeepMind 推出 ASIMOV-Agentic 基準，衡量具身推理代理能否拒絕 VLA 發出的不安全工具呼叫、預判任務是否可行，並在不確定時主動請求人類介入。ER 2 同時是 DeepMind 迄今在「安全約束遵循」與「人機接近」基準上最安全的機器人模型：能偵測有人靠近、觸發安全工具呼叫，並讓機器人安全停止，符合協作安全標準的關鍵要求；細節見隨發布的安全技術報告。
對機器人開發者的意義
三個訊號值得注意。第一，「ER 規劃、VLA 執行」的分層架構正在成形，對應軟體工程裡代理規劃、工具執行的分工。第二，多機體適應門檻降到幾小時、兩百筆資料，機器人新創能更專注在機體設計，而不是從零訓練模型。第三，Google 把 ER 2 放進 AI Studio 與企業代理平台，物理 AI 進入一般開發者工具鏈。DeepMind 明言，這是通往「在物理世界解開 AGI」路上的里程碑——這一步把人形機器人從展示影片推向可用任務。
參考來源
- Gemini Robotics 2 brings whole body intelligence to robots — Google DeepMind
- Introducing Gemini Robotics ER 2 — Google
- Gemini Robotics — Google DeepMind
本文由 AI 協助自上述來源整理，經人工審核後發布。