Google 发布 Gemini Robotics ER 2：给机器人装上实时高阶大脑

以往看机器人做家务的视频，最让人着急的不是动作慢，而是它们总要「卡壳」：走两步停下来，仿佛脑子里在疯狂转圈想下一步该干嘛，稍有不慎咖啡倒溢了还在继续倒。

Google DeepMind 刚刚端出了新一代机器人大脑 Gemini Robotics ER 2。简单来说，它想解决的就是让机器人一边干活一边动脑子，不仅手脚要麻利，还得知道自己干到了哪一步。

这次更新其实是一整套组合拳：除了充当高层调度大脑的具身推理模型 ER 2，还有负责全身运动控制的视觉语言动作模型 Gemini Robotics 2，以及几小时数据就能迁移到新硬件上的端侧模型 Gemini Robotics On-Device 2。

告别走一步停三秒，给机器人装上「时间感」

机器人在真实世界干活，最难的一点其实是掌握分寸。比如倒咖啡什么时候停手，灯泡有没有拧到位，垃圾袋到底封紧没有。

ER 2 最大的变化是把推理接进了实时视频流。DeepMind 引入了两个关键能力：一个是进度分类，模型能把任务拆解成五个进度区间实时跟踪，哪怕中途手滑或者出意外，机器人也能立刻调整重试，不用从头再来，准确率达到了 57.4%。

另一个是精准时刻捕捉，专门判断关键动作该在哪个瞬间完成。这项测试里 ER 2 的准确率做到了 91.3%，时间误差控制在 0.96 秒以内，运行速度比大模型提升了 4 倍，终于把延迟压缩到了亚秒级。

更重要的是，它通过 Gemini Live API 实现了双向流式通信。负责想步骤的 ER 2 和负责动手的底层动作模型同时工作，机器人不用再每走一步就站在原地苦思冥想。

机器狗跑腿、双臂打包，不同形态还能组团协作

另一个很有意思的突破是多机器人协同。在 DeepMind 的演示里，不同形状的机器人不用写死通讯协议，而是靠统一的语义理解来打配合。

波士顿动力的机器狗 Spot 在 ER 2 的调度下，听到人类的自然语言指令就能自己去厨房找爆米花拿过来。在更精细的场景里，Apptronik 的 Apollo 2 人形机器人用一套 22 个自由度的 SharpaWave 五指灵巧手封密封袋，还能跟两只手臂的 Franka 协作完成复杂的分拣打包。

安全方面也做了硬性约束：如果检测到有人类靠近，人形机器人会立刻刹车停步，等周围清空了再自己继续干活。

目前 ER 2 已经通过 Gemini API 和 Google AI Studio 向所有开发者开放，底层动作模型和端侧模型则先开放给早期合作伙伴。

为什么重要

我们认为，DeepMind 这次最聪明的地方在于把「想」和「做」彻底解耦了。让几百亿参数的大脑专心做规划、看视频进度、调用搜索，底层的四肢则交给轻量化的动作模型甚至是端侧小模型。这种分层架构不仅帮机器人省下了昂贵的算力，还让同一个大脑既能指挥机器狗，又能调动人形机器人。

对于机器人开发者和工厂自动化团队来说，现在就值得在 AI Studio 里接入 ER 2 试一试。它把过去需要手写状态机的复杂长流程，变成了只要接个摄像头视频流就能实时判断的 API 调用，开发门槛降了一大截。

不过隐患也不是没有。57.4% 的进度判断准确率虽然比前代强，但放在工业组装或家庭烹饪这种容错率极低的场景下，依然有四成以上的概率看不准进度。在完全放手让机器人独立干活之前，人类的安全兜底依然必不可少。