谷歌DeepMind发布Gemini Robotics 2，机器人模型扩展至人形全身控制

谷歌DeepMind把机器人大模型的适用范围从桌面机械臂推进到人形机器人全身。这家隶属Alphabet的研究机构于2026年7月30日发布Gemini Robotics 2模型家族，称单一策略即可驱动人形机器人完成行走、下蹲、伸手和抓取等动作，并能在数小时内迁移到新的双臂机器人上。

该家族由三款模型组成。Gemini Robotics 2是视觉语言动作模型（VLA），把摄像头画面和自然语言指令转化为电机指令，面向人形和双臂机器人。Gemini Robotics ER 2是具身推理视觉语言模型，在动作层之上承担任务规划与多机协同。Gemini Robotics On-Device 2是可在机器人本体运行的轻量VLA。模型卡显示，On-Device 2基于Gemini Robotics 1.5技术和端侧Gemma模型构建，并在谷歌TPU上完成训练。

DeepMind没有给出单一总分，而是公布了分任务成功率。在Apptronik的Apollo 2人形机器人上，全身抓取的成功率为桌面68.4%、地面45.7%、货架76.3%。为Apollo装上22自由度的SharpaWave灵巧手后，拧下灯泡的成功率达到92%，拧上灯泡仅36%，系垃圾袋44%，使用簸箕32%，处理密封袋40%。在配备Robotiq夹爪的Franka Duo上，精密插装达到89.6%，多样化工具配套78.9%，通用抓放74.2%。

谷歌表示，该VLA可执行持续数分钟、涉及数百次决策的多步骤任务；迁移到新的双臂机器人通常只需数小时适配和不到200条示范，测试平台包括Dexmate、SO101和Trossen。模型卡称，经过延长训练后，On-Device 2在SO101任务上的成功率由第一代的6.7%升至53.3%，在Dexmate任务上由33.3%升至75.6%。

开发者目前能直接调用的是ER 2。谷歌称该模型已上线Gemini API和Google AI Studio，并在Gemini Enterprise Agent Platform开放私有预览，GitHub上提供示例代码。ER 2通过连续视频而非静态画面判断任务是否成功：在把视频帧分入五档进度的测试中准确率为57.4%，在定位视频特定时刻的测试中准确率为91.3%，平均误差0.96秒。它可读取从数字显示屏到液体温度计在内的10类仪表，原生调用谷歌搜索等工具，并支持通过Gemini Live API双向流式交互。VLA和端侧模型则只通过早期合作伙伴计划和受信测试者申请提供。

DeepMind致谢的合作方为Apptronik、Boston Dynamics和Agile Robots。演示中，ER 2按语音指令调度Boston Dynamics的四足机器人Spot取物，并协调Apollo 2与Franka F3 Duo机械臂基于共同语义理解交接任务。Apptronik成立于2016年，据其官方公告，于2026年2月11日完成5.2亿美元A轮扩展融资。

从中国产业视角看，这份名单里没有中国本体厂商，但测试平台中出现了Inspire品牌灵巧手和开源低成本机械臂SO101。宇树科技于2026年8月18日在上交所科创板发布上市相关公告，其H2 Plus人形底盘此前被英伟达选为GR00T参考人形机器人的本体。国内整机企业目前更多站在英伟达开放生态一侧，谷歌的封闭动作模型对它们而言短期内难以获得。

竞争正在加剧。英伟达4月为开源人形模型Isaac GR00T N1.7加入商用许可，7月20日又在Hugging Face发布40亿参数的Cosmos 3 Edge；理想汽车被英伟达列为Cosmos 3在自动驾驶领域的采用方。Skild AI于8月18日推出S1模型。2025年11月完成B轮融资的Physical Intelligence自2024年10月推出首个策略模型π0以来持续发布VLA研究。DeepMind的不同之处在于把推理和动作拆成两个模型，只把推理层作为付费云服务开放。

技术上，这种拆分类似现场主管与熟练工的分工。ER 2决定下一步做什么、用视频核对进度，并拒绝不安全的工具调用；VLA把指令转化为关节级动作，控制频率是云端模型难以达到的。DeepMind同时推出新基准ASIMOV-Agentic，衡量推理智能体能否拒绝不安全的工具调用、能否判断任务是否可行，并称ER 2会在有人靠近时让人形机器人停下。

悬而未决的是可靠性和开放程度。家务类精细任务32%至92%的成功率属于研究数据，并非工厂稼动率。On-Device模型卡自己也写明，模型在分布外任务泛化和高自由度机器人控制方面存在局限，移动平台与全身控制的风险不在当前适用范围内。谷歌未公布ER 2定价，也未给出动作模型正式商用的时间。