Η Google Εκτοξεύει το Gemini Robotics ER 2 Με Συνεργασία Πολυάριθμων Ρομπότ

Η Google έχει κυκλοφορήσει το Gemini Robotics ER 2, ένα μοντέλο reasoning που κατασκευάζεται για να χρησιμεύσει ως υψηλό επίπεδο προγραμματιστής για ρομπότ, ενώ ένα ξεχωριστό μοντέλο χειρίζεται τους κινητήρες. Είναι διαθέσιμο στους développers μέσω του Gemini API και του Google AI Studio, με ιδιωτική προεπισκόπηση στην πλατφόρμα Gemini Enterprise Agent.

Το ER 2 λαμβάνει βίντεο, εικόνες, ήχο και κείμενο, κάνει reasoning για την σκηνή, σχεδιάζει μια εργασία που διαρκεί αρκετά λεπτά και στη συνέχεια καλεί κάτι άλλο για να κινηθεί το υλικό: ένα μοντέλο οράματος-γλώσσας-δράσης, ένα API πλοήγησης ή μια συνάρτηση που έχει δηλωθεί από τον développer στο μοντέλο ως εργαλείο. Μπορεί επίσης να καλέσει το Google Search κατά τη διάρκεια της εργασίας. Η κάρτα μοντέλου το περιγράφει ως ένα μοντέλο οράματος-γλώσσας που βασίζεται στο Gemini 3.5 Flash, με ένα παράθυρο контекστού 128.000 token και έως 64.000 token εξόδου.

Ακολουθεί το Gemini Robotics-ER 1.6, που κυκλοφόρησε στις 14 Απριλίου 2026, το οποίο πρόσθεσε ανάγνωση οργάνων (ερμηνεία ενός πιεσομέτρου ή ενός χημικού θαλάμου), μια ικανότητα που ανέπτυξε η Google με την Boston Dynamics για επιθεωρήσεις εγκαταστάσεων. Το ER 2 επεκτείνει αυτήν την ικανότητα σε ψηφιακές οθόνες, γραμμικές κλίμακες, κανόνια και υγρόμετρα θερμοκρασίας, τα οποία έχουν δοκιμαστεί σε 10 τύπους οργάνων.

Τι προσφέρει το συνεχές βίντεο

Η ουσιαστική αλλαγή είναι ότι το ER 2 κάνει reasoning πάνω από μια ζωντανή ροή βίντεο και όχι στατικές εικόνες, το οποίο του επιτρέπει να κρίνει αν ένα βήμα έχει ολοκληρωθεί.

Δύο ικανότητες προκύπτουν από αυτό. Η ταξινόμηση προόδου ζητά από το μοντέλο να ταξινομήσει κάθε καρέ μιας ροής σε μια από τις πέντε ζώνες ολοκλήρωσης, από 0-20% έως 80-100%· η Google αναφέρει ακρίβεια 57,4%. Η εύρεση στιγμής ζητά από το μοντέλο να βρει το ακριβές καρέ όπου συμβαίνει ένα κρίσιμο γεγονός, όπως το σημείο στο οποίο ένα ποτήρι είναι αρκετά γεμάτο για να σταματήσει το γέμισμα. Η εταιρεία αναφέρει ακρίβεια 91,3% σε αυτήν την εργασία με μέσο σφάλμα 0,96 δευτερολέπτων και λέει ότι το μοντέλο την παρέχει σε περίπου τέσσερις φορές την ταχύτητα εκτέλεσης μεγαλύτερων μοντέλων για μια μικρή parte του υπολογισμού.

Η χρονική στιγμή κάτω από το δευτερόλεπτο είναι το μέρος που έχει σημασία σε μια πραγματική μηχανή. Ένα ρομπότ που μπορεί να πει αν ένα βήμα είναι 60% ολοκληρωμένο ή έχει αποτύχει, μπορεί να επαναλάβει αυτό το βήμα αντί να επαναλάβει την εργασία ή να περιμένει έναν χειριστή. Το ER 2 διαβιβάζεται μέσω του Gemini Live API’s bidirectional endpoint, το οποίο είναι το πώς η Google διατηρεί το reasoning loop από το να εισάγει παύσεις σκέψης μεταξύ των ενεργειών. Η λήψη της καθυστέρησης inference αρκετά χαμηλή για τον φυσικό έλεγχο είναι το ίδιο όριο που ωθεί τους προμηθευτές ρομπότ προς αφιερωμένο σιλικόνη ρομπότ και μοντέλα σε πραγματικό χρόνο με単一 GPU.

Δύο ρομπότ, μια εργασία

Η άλλη νέα ικανότητα είναι η συνεργασία πολλαπλών ρομπότ: διαφορετικές μηχανές που μοιράζονται μια σημασιολογική κατανόηση μιας εργασίας και που αναλαμβάνουν την εργασία μεταξύ τους, με το επιχείρημα ότι μια βάση με τροχούς και ένα ζευγάρι ποδιών είναι κατάλληλα για διαφορετικά μέρη της ίδιας εργασίας. Η επίδειξη της DeepMind ζευγαρώνει το Apptronik’s Apollo 2 humanoid με μια πλατφόρμα bi-arm Franka Duo. Μια δεύτερη επίδειξη έχει το ER 2 να οδηγεί τα API πλοήγησης και manipulator στο Spot της Boston Dynamics για να ανακτήσει ένα αντικείμενο με μια προφορική εντολή.

Όλα αυτά τρέχουν σε υλικό που δεν κατασκευάζει η Google, το οποίο είναι το πώς λειτουργεί αυτή η αγορά τώρα: το μοντέλο προέρχεται από ένα εργαστήριο.frontier και τα βραχίονες, τα πόδια και τα grippers προέρχονται από συνεργάτες, το ίδιο διαχωρισμό που βρίσκεται πίσω από cobots makers courting foundation-model developers και platform-level embodied stacks.

Το ER 2 ήρθε ως μέρος μιας οικογένειας τριών μοντέλων. Η συνοδευτική έρευνα ανάρτηση από την ομάδα Gemini Robotics καλύπτει το Gemini Robotics 2, ένα μοντέλο δράσης που ελέγχει πλήρη humanoids από τα πόδια μέχρι τις άκρες των δακτυλίων, και το Gemini Robotics On-Device 2, το οποίο τρέχει τοπικά και προσαρμόζεται σε ένα νέο bi-arm ρομπότ σε λίγες ώρες από λιγότερα από 200 παραδείγματα. Και τα δύο πηγαίνουν σε early-access συνεργάτες αντί για το ανοιχτό API.

Η ομάδα δημοσίευσε επίσης τους ρυθμούς επιτυχίας πίσω από αυτό το μοντέλο δράσης, το οποίο οδήγησε τρία διαφορετικά σώματα ρομπότ από ένα σημείο ελέγχου. Το Apollo 2 με Inspire χέρια επέλεξε αντικείμενα από einen ράφι 76,3% του χρόνου, από einen πίνακα 68,4% και από το δάπεδο 45,7%. Η δουλειά με πέντε δακτυλίων με το 22-βαθμό-ελευθερίας SharpaWave χέρι είναι ακόμη πιο πίσω: 92% για αφαίρεση ενός λαμπτήρα, 36% για τοποθέτηση ενός λαμπτήρα, 44% για δέσιμο ενός σακουλαίου απορριμμάτων. Η DeepMind περιγράφει τη δexterous χειρονομία με πολλά δάχτυλα ως ακόμη μια πρόκληση, η οποία θέτει ένα χρήσιμο σημάδι για όποιον αξιολογεί τις ικανότητες humanoid.

Όρια ασφαλείας και πρώτες αναπτύξεις

Η Google αναφέρει κέρδη στις οδηγίες ασφαλείας και στα βENCHMARKS της ανθρώπινης εγγύτητας και λέει ότι το ER 2 σταματάει ένα humanoid όταν ένας άνθρωπος έρχεται κοντά, και στη συνέχεια επαναλαμβάνει μόνος του όταν η περιοχή είναι καθαρή. Η DeepMind καλεί το σταμάτημα για έναν κοντινό άνθρωπο μια κρίσιμη απαίτηση στις συνεργατικές προδιαγραφές ασφαλείας, και είναι μια απαίτηση που συνήθως ικανοποιείται στο υλικό και όχι στο μοντέλο προγραμματισμού: η δική της σχεδίαση του Apollo 2 παύει την κίνηση όταν ένα αντικείμενο εισέρχεται στην καθορισμένη ακτίνα επίδρασης.

Η DeepMind κυκλοφόρησε επίσης το ASIMOV-Agentic, ένα βENCHMARK για το αν ένα μοντέλο reasoning συμπεριφέρεται με ασφάλεια ως διευθυντής: αρνούμενο ασφαλείς κλήσεις εργαλείων από το μοντέλο δράσης, κρίνοντας αν μια εργασία είναι φυσικά εφικτή, και ζητώντας από έναν άνθρωπο βοήθεια όταν είναι αβέβαιο.

Η κάρτα μοντέλου τραβεί ένα σαφές όριο αναπτύξεων. Η Google λέει στους développers να μην χρησιμοποιούν τα μοντέλα ρομποτικής για εργασίες κρίσιμες για την ασφάλεια, ονομάζοντας την υγεία και τις μεταφορές, ή όπου μια δυσλειτουργία θα μπορούσε να προκαλέσει θάνατο, τραυματισμό ή ζημιά στην περιουσία. Αυτή η γλώσσα κατευθύνει την πρώτη κυμαία αναπτύξεων προς επιθεωρήσεις, χειρισμό αποθήκης και εργασίες εργαστηρίου.

Για τους κατασκευαστές ρομπότ, το ER 2 είναι το επίπεδο που είναι διαθέσιμο για κλήση από το Gemini API χωρίς συνεργασία, που στοχεύει στις ομάδες που έχουν ήδη εργασιακό υλικό και χρειάζονται κάτι για να αποφασίσουν τι θα κάνουν επόμενο.