Google DeepMind bringt Gemini Robotics 2 und steuert nun ganze Humanoiden

Google DeepMind weitet seine Robotikmodelle vom Greifarm auf den ganzen humanoiden Körper aus. Die Forschungseinheit des Alphabet-Konzerns stellte am 30. Juli 2026 die Modellfamilie Gemini Robotics 2 vor. Nach Angaben des Unternehmens steuert eine einzige Policy einen Humanoiden beim Gehen, Hocken, Greifen und Hantieren, und das Modell lässt sich mit wenigen Stunden Daten auf einen neuen zweiarmigen Roboter übertragen.

Die Familie besteht aus drei Modellen. Gemini Robotics 2 ist ein Vision-Language-Action-Modell (VLA), das Kamerabilder und Anweisungen in natürlicher Sprache in Motorbefehle für humanoide und zweiarmige Roboter übersetzt. Gemini Robotics ER 2 ist ein Modell für verkörpertes Schlussfolgern, das oberhalb der Aktionsebene plant und mehrere Roboter koordiniert. Gemini Robotics On-Device 2 ist ein verkleinertes VLA für den Betrieb auf dem Roboter selbst. Laut Modellkarte baut es auf der Technik von Gemini Robotics 1.5 und auf Gemma-Modellen für Endgeräte auf und wurde auf Googles TPU-Chips trainiert.

DeepMind veröffentlichte Erfolgsquoten je Aufgabe statt einer Gesamtnote. Auf dem Humanoiden Apollo 2 von Apptronik gelang das Greifen mit dem ganzen Körper in 68,4 Prozent der Versuche vom Tisch, in 45,7 Prozent vom Boden und in 76,3 Prozent aus dem Regal. Mit der SharpaWave-Hand mit 22 Freiheitsgraden schraubte Apollo eine Glühbirne in 92 Prozent der Fälle heraus, aber nur in 36 Prozent hinein. Einen Müllbeutel band der Roboter in 44 Prozent zu, mit der Kehrschaufel kam er auf 32 Prozent, mit dem Zippbeutel auf 40 Prozent. Auf einem Franka Duo mit Robotiq-Greifern erreichte das Modell 89,6 Prozent beim präzisen Fügen, 78,9 Prozent beim Kommissionieren unterschiedlicher Werkzeuge und 74,2 Prozent beim allgemeinen Pick-and-Place.

Das VLA soll mehrstufige Aufgaben über mehrere Minuten und Hunderte Einzelentscheidungen bewältigen. Für neue zweiarmige Roboter genügen nach Unternehmensangaben einige Stunden Anpassung und in der Regel weniger als 200 Beispiele; getestet wurde auf Plattformen von Dexmate, SO101 und Trossen. Die Modellkarte nennt für On-Device 2 nach verlängertem Training eine Erfolgsquote von 53,3 Prozent auf SO101 nach 6,7 Prozent bei der ersten Version, auf Dexmate 75,6 nach 33,3 Prozent.

Für Entwickler sofort nutzbar ist nur ER 2. Google bietet das Modell über die Gemini API und Google AI Studio an, auf der Gemini Enterprise Agent Platform läuft eine geschlossene Vorschau, Beispielcode liegt auf GitHub. ER 2 bewertet den Arbeitsfortschritt anhand fortlaufender Videos statt einzelner Standbilder. Beim Einordnen von Videobildern in fünf Fortschrittsstufen erreichte es 57,4 Prozent Genauigkeit, beim Auffinden eines bestimmten Moments 91,3 Prozent bei einer mittleren Abweichung von 0,96 Sekunden. Es liest zehn Arten von Messinstrumenten von Digitalanzeigen bis zum Flüssigkeitsthermometer, ruft Werkzeuge wie die Google-Suche selbst auf und unterstützt Streaming über die Gemini Live API. Das VLA und das On-Device-Modell gibt es nur über ein Early-Access-Programm für Partner und eine Anmeldung als Testkunde.

Als Partner nennt DeepMind Apptronik, Boston Dynamics und Agile Robots. In den Vorführungen schickte ER 2 per Sprachbefehl einen Spot von Boston Dynamics los, um Gegenstände zu holen, und koordinierte Apollo 2 mit einem Franka-F3-Duo-Arm bei einer gemeinsamen Aufgabe. Apptronik, gegründet 2016, schloss nach eigenen Angaben am 11. Februar 2026 eine Erweiterung seiner Series A über 520 Millionen Dollar ab.

Für die europäische Industrie ist die Partnerliste aufschlussreich. Agile Robots steht als Partner in Googles Liste, Arme von Franka tauchen in den Vorführungen auf, während Neura Robotics, das am 10. Juni 2026 seine Series C bekanntgab, nicht genannt wird. Siemens wiederum gehört zu den Unternehmen, die nach NVIDIA-Angaben das am 20. Juli veröffentlichte Weltmodell Cosmos 3 Edge erproben. Europäische Maschinenbauer müssen sich damit zwischen einem Cloud-Planer von Google und offenen Gewichten entscheiden, die sich im eigenen Werk betreiben lassen.

Der Wettbewerb ist dicht. NVIDIA versah sein offenes Humanoidenmodell Isaac GR00T N1.7 im April mit einer kommerziellen Lizenz und stellte am 20. Juli Cosmos 3 Edge mit vier Milliarden Parametern auf Hugging Face. Skild AI präsentierte am 18. August sein Modell S1. Physical Intelligence, das im November 2025 eine Series B einsammelte, veröffentlicht seit seiner ersten Policy π0 im Oktober 2024 regelmäßig neue VLA-Arbeiten. DeepMind unterscheidet sich, indem es Planung und Ausführung in getrennte Modelle teilt und nur die Planungsebene als kostenpflichtigen Clouddienst anbietet.

Technisch erinnert die Aufteilung an Meister und Facharbeiter. ER 2 legt den nächsten Schritt fest, prüft den Fortschritt per Video und verweigert unsichere Werkzeugaufrufe. Das VLA setzt die Anweisung in Gelenkbewegungen um, mit Regelfrequenzen, die ein Cloudmodell nicht erreicht. Mit ASIMOV-Agentic führte DeepMind zudem einen Benchmark ein, der misst, ob der Planungsagent unsichere Aufrufe ablehnt und die Machbarkeit einer Aufgabe richtig einschätzt. ER 2 stoppt nach Unternehmensangaben einen Humanoiden, wenn sich ein Mensch nähert.

Offen bleiben Zuverlässigkeit und Zugang. Erfolgsquoten zwischen 32 und 92 Prozent bei feinmotorischen Haushaltsaufgaben sind Forschungswerte, keine Verfügbarkeitskennzahlen einer Fertigungslinie. Die Modellkarte von On-Device 2 räumt selbst Grenzen bei der Verallgemeinerung auf unbekannte Aufgaben und bei Robotern mit vielen Freiheitsgraden ein; Risiken mobiler Plattformen und der Ganzkörpersteuerung liegen ausdrücklich außerhalb des Einsatzbereichs. Preise für ER 2 und einen Termin für die allgemeine Verfügbarkeit der Aktionsmodelle nannte Google nicht.