Gemini Robotics 2：「全身」控制，以及在 API 与实验室之间的数字真相

2026年7月30日，谷歌 DeepMind 公布了 Gemini Robotics 2，这是一个分层的模型家族，包含一个视觉-语言-动作模型、一个面向具身推理的版本（ER 2），以及一套端侧方案。相较2025年宣称的技术跃进，落在控制范围的扩展上：不再只是上半身，而是「从脚到指尖」。理论上，这种做法可以在运动中优化重心，把物体操作与姿态稳定合为一体。参与的合作伙伴包括推出 Apollo 2 的 Apptronik、以 Spot 完成语音指令取物的波士顿动力，以及 Agile Robots 和 Franka。

不过，公布的结果需要逐条细看。数据显示，Franka Duo 的精密插装任务成功率为89.6%，配备 SharpaWave 灵巧手的 Apollo 拧下灯泡的成功率为92%。但换成 Apollo 搭配 Inspire 灵巧手从地面拾取物体，成功率跌到45.7%。这一落差说明，整个身体的协调控制仍是一道未解的难题。DeepMind 为安全性引入了 ASIMOV-Agentic 基准，但外部验证只是局部的：谷歌既未公布每项任务的试验次数，也未公布测试的环境条件，而所引用的部分基准——比如「diverse tool kitting」——并没有标准化的公开定义。

在可用性上，这套策略保持了清晰的界线。负责多步骤规划、依据视频流自我纠正以及调度外部工具的大脑 Gemini Robotics ER 2，开发者可通过 Gemini API 和 Google AI Studio 使用，也可在私测阶段的 Gemini Enterprise Agent Platform 上使用。公司给出的数据称执行速度快4倍，进度分类能力为57.4%。相反，负责直接动作的 VLA 模型，以及号称能在无网络连接下用几个小时适应新机体的 On-Device 2，仍限于少数合作伙伴的早期访问。

演示任务上的92%与从地上捡起东西这种寻常动作上的45.7%，两者之间的距离，说明人形机器人要在实验室之外可靠工作还差多远——而只要动作模型仍握在合作伙伴手里，这段距离外界谁也无法丈量。