Google 釋出 Gemini Robotics ER 2：給機器人裝上即時高階大腦

以往看機器人做家務的影片，最讓人著急的不是動作慢，而是它們總要「卡殼」：走兩步停下來，彷彿腦子裡在瘋狂轉圈想下一步該幹嘛，稍有不慎咖啡倒溢了還在繼續倒。

Google DeepMind 剛剛端出了新一代機器人大腦 Gemini Robotics ER 2。簡單來說，它想解決的就是讓機器人一邊幹活一邊動腦子，不僅手腳要麻利，還得知道自己幹到了哪一步。

這次更新其實是一整套組合拳：除了充當高層排程大腦的具身推理模型 ER 2，還有負責全身運動控制的視覺語言動作模型 Gemini Robotics 2，以及幾小時資料就能遷移到新硬體上的端側模型 Gemini Robotics On-Device 2。

告別走一步停三秒，給機器人裝上「時間感」

機器人在真實世界幹活，最難的一點其實是掌握分寸。比如倒咖啡什麼時候停手，燈泡有沒有擰到位，垃圾袋到底封緊沒有。

ER 2 最大的變化是把推理接進了即時影片流。DeepMind 引入了兩個關鍵能力：一個是進度分類，模型能把任務拆解成五個進度區間即時跟蹤，哪怕中途手滑或者出意外，機器人也能立刻調整重試，不用從頭再來，準確率達到了 57.4%。

另一個是精準時刻捕捉，專門判斷關鍵動作該在哪個瞬間完成。這項測試裡 ER 2 的準確率做到了 91.3%，時間誤差控制在 0.96 秒以內，執行速度比大模型提升了 4 倍，終於把延遲壓縮到了亞秒級。

更重要的是，它通過 Gemini Live API 實現了雙向流式通訊。負責想步驟的 ER 2 和負責動手的底層動作模型同時工作，機器人不用再每走一步就站在原地苦思冥想。

機器狗跑腿、雙臂打包，不同形態還能組團協作

另一個很有意思的突破是多機器人協同。在 DeepMind 的演示裡，不同形狀的機器人不用寫死通訊協議，而是靠統一的語義理解來打配合。

波士頓動力的機器狗 Spot 在 ER 2 的排程下，聽到人類的自然語言指令就能自己去廚房找爆米花拿過來。在更精細的場景裡，Apptronik 的 Apollo 2 人形機器人用一套 22 個自由度的 SharpaWave 五指靈巧手封密封袋，還能跟兩隻手臂的 Franka 協作完成複雜的分揀打包。

安全方面也做了硬性約束：如果檢測到有人類靠近，人形機器人會立刻剎車停步，等周圍清空了再自己繼續幹活。

目前 ER 2 已經通過 Gemini API 和 Google AI Studio 向所有開發者開放，底層動作模型和端側模型則先開放給早期合作伙伴。

為什麼重要

我們認為，DeepMind 這次最聰明的地方在於把「想」和「做」徹底解耦了。讓幾百億引數的大腦專心做規劃、看影片進度、調用搜索，底層的四肢則交給輕量化的動作模型甚至是端側小模型。這種分層架構不僅幫機器人省下了昂貴的算力，還讓同一個大腦既能指揮機器狗，又能調動人形機器人。

對於機器人開發者和工廠自動化團隊來說，現在就值得在 AI Studio 裡接入 ER 2 試一試。它把過去需要手寫狀態機的複雜長流程，變成了只要接個攝像頭影片流就能即時判斷的 API 呼叫，開發門檻降了一大截。

不過隱患也不是沒有。57.4% 的進度判斷準確率雖然比前代強，但放在工業組裝或家庭烹飪這種容錯率極低的場景下，依然有四成以上的機率看不準進度。在完全放手讓機器人獨立幹活之前，人類的安全兜底依然必不可少。