Google ส่ง Gemini Robotics ER 2 มาพร้อมการทำงานร่วมกันของหุ่นยนต์หลายตัว

Google ได้เปิดตัว Gemini Robotics ER 2 ซึ่งเป็นโมเดลการให้เหตุผลที่ถูกสร้างขึ้นเพื่อใช้เป็นแผนการระดับสูงสำหรับหุ่นยนต์ ในขณะที่โมเดลอื่นจัดการกับมอเตอร์ โมเดลนี้สามารถเข้าถึงได้สำหรับนักพัฒนาผ่าน Gemini API และ Google AI Studio รวมถึงการเข้าถึงแบบพรีวิวส่วนตัวบน Gemini Enterprise Agent Platform

ER 2 สามารถรับข้อมูลจากวิดีโอ ภาพ ออดิโอ และข้อความ ทำการให้เหตุผลเกี่ยวกับสถานการณ์ วางแผนการทำงานที่ใช้เวลาหลายนาที จากนั้นเรียกฟังก์ชันอื่นเพื่อควบคุมฮาร์ดแวร์ เช่น โมเดลวิชัน-ภาษา-การกระทำ API การนำทาง หรือฟังก์ชันของนักพัฒนาที่ประกาศให้โมเดลทราบ นอกจากนี้ยังสามารถเรียก Google Search ระหว่างการทำงานได้ การ์ดโมเดล อธิบายว่าเป็นโมเดลวิชัน-ภาษา ที่พัฒนาต่อยอดจาก Gemini 3.5 Flash มีหน้าต่างบริบท 128,000 โทเคน และสามารถผลิตผลลัพธ์ได้สูงสุด 64,000 โทเคน

ER 2 เป็นรุ่นต่อเนื่องของ Gemini Robotics-ER 1.6 ซึ่งถูกปล่อยออกมาเมื่อวันที่ 14 เมษายน 2026 โดยได้เพิ่มความสามารถในการอ่านอุปกรณ์ (การอ่านมาตรวัดความดันหรือกระจกส่องทางเคมี) ซึ่งเป็นความสามารถที่พัฒนาโดย Google ร่วมกับ Boston Dynamics สำหรับการตรวจสอบสิ่งอำนวยความสะดวก ER 2 ขยายความสามารถนี้ไปสู่จอแสดงผลดิจิทัล สเกลเชิงเส้น รูลเลอร์ และเทอร์โมมิเตอร์ของเหลว โดยทดสอบข้าม 10 ประเภทของอุปกรณ์

สิ่งที่วิดีโอต่อเนื่องเพิ่มเข้ามา

การเปลี่ยนแปลงที่สำคัญคือ ER 2 ใช้การให้เหตุผลบนฟีดวิดีโอต่อเนื่องแทนที่จะเป็นเฟรมภาพนิ่ง ซึ่งช่วยให้สามารถตัดสินใจได้ว่าการกระทำใด ๆ เสร็จสมบูรณ์หรือไม่

มีความสามารถสองอย่างที่เกิดขึ้นจากนี้ การจัดประเภทความก้าวหน้าขอให้โมเดลจัดเรียงเฟรมของฟีดวิดีโอเป็นหนึ่งในห้าระดับความสมบูรณ์ ตั้งแต่ 0-20% ถึง 80-100% Google รายงานความแม่นยำ 57.4% การค้นหาความสำคัญขอให้โมเดลระบุเฟรมที่เกิดเหตุการณ์สำคัญ เช่น จุดที่ถ้วยมีน้ำเพียงพอแล้วที่จะหยุดการเทน้ำ บริษัท รายงานความแม่นยำ 91.3% ในงานนี้ โดยมีผลผิดพลาดเฉลี่ย 0.96 วินาที และระบุว่าโมเดลสามารถทำได้ด้วยความเร็วในการดำเนินการประมาณสี่เท่าของโมเดลขนาดใหญ่กว่า โดยใช้การคำนวณเพียงเศษเสี้ยว

การกำหนดเวลาในระดับวินาทีเป็นสิ่งที่สำคัญบนเครื่องจักรที่แท้จริง หุ่นยนต์ที่สามารถบอกได้ว่าการกระทำใด ๆ เสร็จสมบูรณ์ 60% หรือล้มเหลวสามารถลองใหม่ได้แทนการเริ่มต้นใหม่หรือรอผู้ดำเนินการ ER 2 ส่งสัญญาณผ่าน Gemini Live API’s จุดสิ้นสุดแบบสองทาง ซึ่งเป็นวิธีที่ Google รักษาวงจรการให้เหตุผลไม่ให้หยุดชะงักระหว่างการกระทำ การได้รับผลลัพธ์ความล่าช้าให้เพียงพอสำหรับการควบคุมทางกายภาพเป็นข้อจำกัดเดียวกับที่ผลักดันให้ผู้ขายหุ่นยนต์ใช้ ซิลิคอนออนโรบอทที่อุทิศให้กับงานเฉพาะ และ โมเดลเวลาจริงบน GPU เดียว

สองหุ่นยนต์หนึ่งงาน

ความสามารถใหม่อีกอย่างคือการทำงานร่วมกันของหุ่นยนต์หลายตัว หุ่นยนต์ต่าง ๆ มีความเข้าใจเชิงсемัน蒂คเกี่ยวกับงานและสามารถส่งมอบงานระหว่างกันได้ โดยพิจารณาว่าฐานล้อและขาเป็นไปตามส่วนต่าง ๆ ของงานเดียวกัน การแสดงผลของ DeepMind จับคู่ Apptronik’s Apollo 2 humanoid กับแพลตฟอร์ม bi-arm Franka Duo การแสดงผลครั้งที่สองมี ER 2 ขับ API การนำทางและแมนิปูเลเตอร์บน Spot ของ Boston Dynamics เพื่อเข้าถึงวัตถุตามคำสั่งเสียง

ทั้งหมดนี้ทำงานบนฮาร์ดแวร์ที่ Google ไม่ได้สร้างขึ้น ซึ่งเป็นวิธีการทำงานของตลาดส่วนใหญ่ในปัจจุบัน โมเดลมาจากห้องปฏิบัติการแนวหน้า และแขนขาและกริปเปอร์มาจากพันธมิตร ซึ่งเป็นการแบ่งที่อยู่เบื้องหลัง ผู้ผลิตหุ่นยนต์ และ สแต็ค AI ที่มีร่างกาย

ER 2 มาถึงพร้อมกับโมเดลสามตัวในครอบครัว โพสต์วิจัย ร่วม จากทีม Gemini Robotics ครอบคลุม Gemini Robotics 2 ซึ่งเป็นโมเดลการกระทำที่ควบคุมหุ่นยนต์แบบเต็มรูปแบบ และ Gemini Robotics On-Device 2 ซึ่งทำงานบนอุปกรณ์ และปรับตัวให้เข้ากับหุ่นยนต์ bi-arm ใหม่ในเวลาไม่ถึงสี่ชั่วโมงจากตัวอย่างน้อยกว่า 200 ตัวอย่าง ทั้งสองโมเดลนี้เข้าถึงได้สำหรับผู้ร่วมงานในระยะเริ่มต้นแทน API ที่เปิดกว้าง

ทีมงานยังเผยแพร่อัตราความสำเร็จเบื้องหลังโมเดลการกระทำ ซึ่งควบคุมร่างกายหุ่นยนต์ที่แตกต่างกันสามร่าง Apollo 2 ที่ติดตั้ง Inspire hands สามารถหยิบวัตถุจากชั้นวาง 76.3% ของเวลา จากโต๊ะ 68.4% และจากพื้น 45.7% การทำงานด้วยมือห้านิ้วที่มี 22 องศาแห่งความเป็นอิสระยังอยู่ในระยะที่ตามมา: 92% สำหรับการถอดหลอดไฟ 36% สำหรับการใส่หลอดไฟ และ 44% สำหรับการผูกถุงขยะ DeepMind อธิบายว่าการควบคุมมือที่มีหลายนิ้วยังคงเป็นเรื่องที่ท้าทาย ซึ่งกำหนดเครื่องหมายที่มีประโยชน์สำหรับผู้ใดก็ตามที่ประเมินความสามารถของหุ่นยนต์

ขีดจำกัดด้านความปลอดภัยและการใช้งานครั้งแรก

Google รายงานความก้าวหน้าในด้านการปฏิบัติตามคำแนะนำด้านความปลอดภัยและมาตรฐานความใกล้ชิดของมนุษย์ และระบุว่า ER 2 หยุดหุ่นยนต์เมื่อมนุษย์เข้าใกล้ จากนั้นจึงกลับมาดำเนินการต่อเองเมื่อพื้นที่ว่างเปล่า DeepMind เรียกระดับการหยุดสำหรับมนุษย์ที่อยู่ใกล้เคียงว่าเป็นข้อกำหนดหลักในการรักษาความปลอดภัยร่วมกัน ซึ่งเป็นข้อกำหนดที่ปกติแล้วจะพบในฮาร์ดแวร์มากกว่าในโมเดลการวางแผน: การออกแบบ Apollo 2 เองจะหยุดการเคลื่อนไหวเมื่อใดก็ตามที่วัตถุเข้ามาในระยะที่กำหนด

DeepMind ยังเผยแพร่ ASIMOV-Agentic ซึ่งเป็นมาตรฐานสำหรับการประเมินว่าโมเดลการให้เหตุผลมีพฤติกรรมที่ปลอดภัยหรือไม่ในฐานะตัวจัดทำลำดับ: การปฏิเสธการเรียกใช้เครื่องมือที่ไม่ปลอดภัยจากโมเดลการกระทำ การตัดสินว่าภารกิจใด ๆ มีความเป็นไปได้ทางกายภาพ และขอความช่วยเหลือจากมนุษย์เมื่อมีความไม่แน่นอน

การ์ดโมเดลวาดขอบเขตการปรับใช้อย่างชัดเจน Google แนะนำให้นักพัฒนไม่ใช้โมเดลหุ่นยนต์สำหรับงานที่ต้องการความปลอดภัยสูง เช่น การดูแลสุขภาพและการขนส่ง หรือที่ใดก็ตามที่ความล้มเหลวอาจก่อให้เกิดความเสียหายต่อชีวิตหรือทรัพย์สินได้ คำพูดดังกล่าวชี้ให้เห็นว่าการใช้งานครั้งแรกจะไปสู่การตรวจสอบ การจัดการในคลัง และงานในห้องปฏิบัติการ สำหรับผู้สร้างหุ่นยนต์ ER 2 เป็นชั้นที่สามารถเรียกจาก Gemini API ได้โดยไม่ต้องมีการร่วมมือ มุ่งเป้าไปที่ทีมที่มีฮาร์ดแวร์ที่ทำงานแล้วและต้องการสิ่งที่จะกำหนดสิ่งต่อไป

หรือความเสียหายของทรัพย์สิน คำพูดดังกล่าวชี้ให้เห็นว่าการใช้งานครั้งแรกจะไปสู่การตรวจสอบ การจัดการในคลัง และงานในห้องปฏิบัติการ สำหรับผู้สร้างหุ่นยนต์ ER 2 เป็นชั้นที่สามารถเรียกจาก Gemini API ได้โดยไม่ต้องมีการร่วมมือ มุ่งเป้าไปที่ทีมที่มีฮาร์ดแวร์ที่ทำงานแล้วและต้องการสิ่งที่จะกำหนดสิ่งต่อไป