一个模型控制机器人从头到脚所有运动，谷歌发布新一代机器人基础模型
7 月 30 日，谷歌 DeepMind 发布新一代机器人基础模型系列 Gemini Robotics 2。相比上一代 Gemini Robotics 只能控制机器人上半身完成桌面任务，此次更新的最关键变化在于， 一个视觉-语言-动作（VLA）模型首次实现了对完整人形机器人的控制，覆盖从双腿到手指的全身自由度，并在多个形态迥异的硬件平台之间共用同一份模型权重。
DeepMind 机器人负责人卡罗琳娜·帕拉达（Carolina Parada）自豪地表示，这是“驱动下一代真正可适应机器人的智能层”。
弥合两个能力断层
过去几年，机器人行业存在两个明显的能力断层。
其一是控制的分层。 具备复杂运动能力的人形机器人，传统路线如波士顿动力（Boston Dynamics）的阿特拉斯（Atlas）等，其行走、平衡等各项能力由基于模型预测控制或强化学习训练的独立控制器分别负责。即便是新一代基于学习策略的机器人，包括 Figure、特斯拉（Tesla）等厂商的产品，也仍普遍将行走控制器与操作策略分开部署。
这种拼接式架构在演示视频中效果尚可，但在真实开放环境中，两个系统之间的协调经常出问题，机器人难以自然地“边走边做”。
第二个是跨硬件迁移的门槛。 传统机器人策略往往针对特定形态训练，一旦更换自由度、传感器、末端执行器不同的其他机型，大部分能力需要重新采集数据、重新训练。这使整个行业陷入重复劳动，通用模型难以形成规模效应。
为弥合两大断层，谷歌此次发布了 Gemini Robotics 2，这是一个包含三个部件的模型家族。
其中，Gemini Robotics 2 是 VLA 主力模型，负责将摄像头输入与自然语言指令直接转换为电机控制信号。它是 DeepMind 旗下首个能够端到端控制人形机器人全部自由度的 VLA 模型。在演示中，同一个模型检查点可以驱动三种不同的机器人本体：Apptronik 的 Apollo 2 搭配 SharpaWave 手、Apollo 2 搭配 Inspire 手，以及双臂平台 Franka Duo 搭配 Robotiq 夹爪。
（来源：谷歌） Gemini Robotics ER 2 则是负责具身推理（简称 ER）的视觉语言模型。作为整套系统的高层规划者，它接受自然语言指令，处理连续视频流，将复杂任务拆解为可执行的子任务序列，监控执行进度，在失败时触发重试或求助人类。它通过 Gemini Live API 的双向流式接口与 VLA 通信，可以在当前动作执行的同时提前推理下一步，从而避免“想一步、停一步”的延迟。
Gemini Robotics On-Device 2 是端侧 VLA 模型，专为无网络或对延迟敏感的场景优化，可直接部署在机器人本地芯片上运行。该模型继承自 Gemini Robotics 1.5 的运动迁移技术，即便新机器人平台在形状、传感器与自由度上与训练分布差异显著，该模型也能在不到 200 个演示样本、几小时时间内完成适配，大大降低了部署难度。
三者的分工关系类似于项目负责人与执行团队：ER 2 承担理解意图、拆解任务、编排流程的角色，VLA 或 On-Device 2 负责将具体动作输出到关节。 这种分层的好处是，ER 2 不需要感知底层硬件的物理细节，更换机器人本体时，它的适应性几乎不会受到影响。
能力细节与真实差距
在 DeepMind 展示的样例中，最受关注的是模型驱动的机器人全身运动控制。接收到“把浇水壶放到底层货架的绿色箱子里”的指令后，Apollo 2 自主完成了走向桌子、拾取物品、走向货架、精确放置的完整流程，全程无需人类进一步拆解步骤。
不过，这一策略目前仍然存在显著的局限：Apollo 2 从桌面拿取物品的平均成功率为 68.4%，从地面拿取为 45.7%，从货架拿取为 76.3%。移动速度在演示视频中肉眼可见地偏慢。全身控制的闭环已经跑通，但离稳定可靠仍有明显距离。
针对不同的机器人手部形态，Gemini Robotics 2 的表现并不稳定。其操纵两指平行夹爪的 Franka Duo 完成通用抓放（74.2%）、工具分拣（78.9%）以及精密插入（89.6%）等任务的成功率较高。
但多指灵巧操作目前仍是薄弱环节。SharpaWave 是一只五指、22 自由度机械手，可以完成大量精细动作。但在实际验证中，Gemini Robotics 2 系列指挥 SharpaWave 拧下灯泡的成功率约为 92%，装上灯泡的任务成功率骤降至 36%，垃圾袋打结（44%），密封拉链袋（40%），使用簸箕（32%）等场景表现也不佳。