Gemini Robotics 2: как Google DeepMind переносит Gemini в физический мир

Свежий повод: не один релиз, а связка моделей

Google DeepMind описывает Gemini Robotics 2 как шаг к whole-body intelligence: управлению не отдельной рукой или захватом, а более широким телесным контуром робота. В релизе важны сразу три компонента. Gemini Robotics 2 выступает как VLA-модель, где vision-language-action означает преобразование визуального и языкового контекста в действия. Gemini Robotics ER 2 отвечает за embodied reasoning, то есть рассуждение с учетом сцены, задачи, физических ограничений и последовательности шагов. Gemini Robotics On-Device 2 предназначена для локальной работы на устройстве.

Такое разделение важно для точной оценки релиза. Google не объявила универсального гуманоида и не открыла всем разработчикам моторную модель для любых роботов. Самой доступной частью стала ER 2, модель рассуждения и orchestration, то есть координации инструментов и действий. Более рискованные action-слои остаются в ограниченном доступе.

Это ожидаемый режим для физического мира. Ошибка здесь приводит не к неверному тексту или неудачному ответу чат-бота, а к столкновению, повреждению объекта либо угрозе человеку. Поэтому Gemini Robotics 2 стоит читать как архитектурный и платформенный шаг, а не как старт готовой промышленной системы.

Термин physical AI часто используют слишком широко: им называют и складские манипуляторы, и гуманоидов, и симуляционные датасеты. В случае Google конструкция конкретнее: high-level reasoning, VLA-действия, локальная версия и model card с существенными оговорками. Это не снимает вопросов к качеству, безопасности и воспроизводимости, но переводит разговор из режима эффектных роликов в режим инженерной архитектуры.

Как устроена логика: ER 2 думает, VLA действует

Стек Google удобно описывать как двухуровневую систему. Верхний уровень занимает Gemini Robotics ER 2. Согласно model card, она основана на Gemini 3.5 Flash, принимает текст, изображения, видео и аудио, поддерживает чередование разных типов данных, контекст до 128k и текстовый выход до 64K токенов. Это не модель прямого управления суставами. Ее роль состоит в том, чтобы понять происходящее, сформулировать план, вызвать нужный инструмент и помочь оценить прогресс.

Нижний уровень, Gemini Robotics 2 или On-Device 2, находится ближе к физике. VLA-модель получает контекст и выдает actions. В обычном AI-приложении результатом работы модели может быть текст, код, JSON или вызов функции. В робототехнике результат превращается в команду движения, которую затем должны ограничивать контроллеры, сенсоры, safety-слои и аппаратная логика.

Google описывает ER 2 как слой, которому разработчик может объявить низкоуровневые интерфейсы в виде tools, то есть доступных инструментов. Это могут быть навигационные API, VLA-модели или другие управляющие функции. Модель выбирает следующий шаг, но физическая среда добавляет то, чего нет у цифрового агента: задержку, шум сенсоров, инерцию, контакт с предметами, неполное наблюдение и цену ошибки.

Поэтому Gemini Robotics 2 нельзя сводить к формуле «Gemini в корпусе робота». Точнее говорить об агентной архитектуре для робототехники: мультимодальный reasoning-слой принимает решения высокого уровня, а специализированная action-модель переводит намерение в движение.

Цитата в переводе

«От стоп до кончиков пальцев: мы учим роботов интеллектуальному управлению всем телом, тонкой ловкости и командной работе.»

Whole-body intelligence: что показывает Google

Фраза whole-body intelligence в материалах Google означает расширение зоны управления. Ноги, корпус, баланс, руки, пальцы и захваты должны работать как единая система. Это сдвиг от настольной манипуляции к сценариям, где робот может наклоняться, приседать, удерживать центр тяжести, поднимать объект с пола, работать с полкой или координировать действия с другим роботом.

В официальных материалах Google приводит success rate для разных платформ и задач. Для Apollo with Inspire hands заявлены 68,4% при pick up from table, 45,7% при pick up from floor и 76,3% при pick up from shelf. Для Apollo with Sharpa hands указаны 36% для screw bulb, 92% для unscrew bulb, 44% для tie trash bag, 32% для dustpan и 40% для ziplock. Для Franka Duo Google показывает 74,2% на general pick and place, 78,9% на diverse tool kitting и 89,6% на precise insertion.

Эти цифры требуют осторожного чтения. Это официальные оценки Google, а не независимый отраслевой benchmark с раскрытой методологией, числом попыток и условиями сравнения. Но сама неоднородность результатов показательна. В более структурированных задачах успех выше. Там, где нужна тонкая многофингерная моторика, часть результатов падает до 32–44%, а screw bulb показан на уровне 36%.

Такой разброс не обесценивает релиз, но снижает ожидания. Для человека пакет, лампочка или застежка выглядят простыми бытовыми объектами. Для робота это контактная физика: предмет может скользить, деформироваться, цепляться, менять положение, требовать микрокоррекций силы и траектории. Whole-body control в демонстрации еще не означает универсального работника для склада или завода.

Цитата в переводе

«Думайте о Gemini Robotics ER 2 как о высокоуровневом мозге для роботов.»

ER 2: «мозг» робота, который пока говорит текстом

Gemini Robotics ER 2 стала самой открытой для разработчиков частью релиза. По данным Google, модель доступна в public preview через Google AI Studio и Gemini API, а в Gemini Enterprise Agent Platform находится в private preview. Ближайшая точка входа связана не с моторной политикой для произвольного робота, а со слоем embodied reasoning: анализом видео и сцены, планированием, оценкой состояния и вызовом инструментов.

Google приводит внутренние оценки ER 2. В задаче progress classification модель получает видео и классифицирует каждый кадр по одному из пяти диапазонов прогресса: 0–20%, 20–40%, 40–60%, 60–80% и 80–100%. Заявленная accuracy составляет 57,4%. В задачах moment finding Google указывает 91,3% accuracy и 0,96 секунды mean absolute distance. Компания также говорит о четырехкратном ускорении execution speed относительно более крупных категорий моделей.

Роботу недостаточно понять команду «сделай». Ему нужно понимать, на какой стадии находится действие. Если объект уже лежит в нужном месте, не надо продолжать тянуть его захватом. Если крышка не открутилась, нужна другая стратегия. Если человек вошел в рабочую зону, система должна остановиться или перейти в безопасный режим. Для физического агента контроль прогресса связан не с удобством, а с безопасностью.

Ограничение ER 2 принципиально. На странице возможностей Live API указано Text out only. Модель может рассуждать, планировать и выдавать структурированные инструкции, но сама по себе не является action-policy для суставов. Это делает ее полезной для прототипирования и интеграций, однако не заменяет низкоуровневые контроллеры и safety-контур.

On-Device 2: зачем роботам локальная модель

Локальная ветка Gemini Robotics On-Device 2 отвечает на практический вопрос: что делать, если робот не может зависеть от облака. В робототехнике задержка связи не сводится к комфорту пользователя. Манипулятору нужно быстро корректировать движение, мобильной системе необходимо реагировать на препятствия, а производственная среда не всегда гарантирует стабильный канал. On-device модель снижает зависимость от сети и может быть важна для отказоустойчивости.

Google позиционирует On-Device 2 как VLA-модель, которую можно адаптировать к новым роботам с менее чем 200 примерами и за несколько часов обучения. В model card уточняется, что входами являются текст, изображения с перспективы робота и proprioception, то есть численные данные о состоянии тела робота. Выходом становятся численные robot actions. Компания также указывает связь с технологиями Gemini Robotics 1.5 и on-device Gemma models.

Model card фиксирует и ограничения. On-Device 2 ограничена в генерализации на out-of-distribution tasks, то есть на задачах вне распределения обучающих и тестовых сценариев. Google также указывает ограничения при управлении high-degree-of-freedom robots, системами с большим числом степеней свободы. Safety-оценка в основном охватывала standing bi-arm manipulation tasks, поэтому риски мобильных платформ и полноценного whole-body control находятся вне текущего scope оценки.

Для инженера эти оговорки значимее общей формулы о локальном интеллекте. Локальная VLA-модель не отменяет датасеты, калибровку, аппаратные ограничители, мониторинг, аварийную остановку и ответственность за физический ущерб. Она сокращает один класс рисков, зависимость от сети, но не делает робота универсальным и безопасным по умолчанию.

Цитата в переводе

«Хотя нашим роботам еще предстоит продвинуться в скорости движения, это важный шаг.»

Безопасность: model card охлаждает ожидания

Робототехнические демонстрации легко создают впечатление почти готового продукта. Робот берет лампочку, открывает пакет или передает предмет, и технология кажется близкой к массовому применению. Model card возвращает разговор к инженерной реальности. Для ER 2 Google указывает safety instruction following 97,9% и human proximity 1 m 93,0% на своих тестах. Это сильные цифры внутри заявленного протокола, но они не равны промышленной сертификации и не доказывают безопасность в произвольной среде.

Google также ограничивает сценарии применения. В model card для робототехнических моделей требуется осмотрительность перед использованием в production, commercial или public environments. Safety-critical applications, включая области, где сбой может привести к смерти, травме или существенному ущербу, выделяются как недопустимые или требующие особой осторожности.

Даже архитектура с ER 2 и VLA-слоем не гарантирует безопасность. Reasoning-модель может неверно интерпретировать сцену, action-модель способна плохо обобщить опыт на новый объект, сенсоры могут потерять часть информации, исполнительный механизм иногда срабатывает с задержкой или люфтом. Робототехнике нужна многослойная защита: ограничение скорости и силы, аппаратные стопы, проверка траекторий, мониторинг присутствия человека и регламент эксплуатации.

На этом фоне позиция Google выглядит сдержаннее, чем привычные обещания о скорой замене людей роботами. Компания показывает возможности, но оставляет существенные safety-оговорки. Gemini Robotics 2 представляет собой заметный research и platform шаг, но не готовую замену рабочему на складе.

Где это находится в экосистеме Google AI

Gemini как семейство моделей используется в разных контурах. Потребительский интерфейс отвечает человеку в диалоге, Gemini API и Google AI Studio дают разработчикам доступ к моделям и прототипированию, а DeepMind ведет исследовательскую и модельную работу. Gemini Robotics находится на стыке исследовательского и developer-facing контура, а не в категории обычного чат-бота.

Выход ER 2 в public preview через AI Studio и Gemini API показывает осторожную стратегию. Разработчикам проще и безопаснее открыть модель, которая анализирует сцену, планирует и вызывает tools, чем универсальную action-модель для любых механических тел. У роботов различаются кинематика, сенсоры, захваты, диапазоны силы, допустимые скорости и форматы команд.

Gemini Robotics 2 и On-Device 2 остаются в закрытом контуре: private preview и trusted testers. Это отражает не только коммерческую стратегию, но и техническую зрелость. Action-модель требует плотной интеграции с hardware stack. Даже если она работает на Apollo, Franka Duo или конкретном bi-arm embodiment, перенос на другую платформу не становится автоматическим. Нужны данные, адаптация, тесты и ограничения.

Стратегическая ставка Google выглядит иначе. Компания показывает, что Gemini может быть не только языковым интерфейсом, но и cognitive layer для систем с камерой, микрофоном, инструментальными API и физическим действием. Если такой слой приживется у разработчиков робототехники, Google сможет участвовать в physical AI как поставщик моделей и платформы, не обязательно производя массовых роботов самостоятельно.

Отраслевые отклики и российский контекст

Первые публикации Axios, The Verge и Bloomberg Technology подтвердили сам факт релиза и общий framing. Axios описал событие как обновление AI-софта Google для роботов. The Verge вынес в фокус способность модели контролировать все тело робота. Bloomberg подчеркнул проблему dexterity, то есть ловкости и тонкой моторики, с которой роботы продолжают бороться. Эти отклики фиксируют новостное событие, но не заменяют технический аудит и не валидируют официальные success rate Google.

Граница между «интересным шагом» и «рынок изменился» пока не пройдена. В разрешенных источниках нет независимого benchmark по показанным задачам, нет подтверждения масштабной коммерческой эксплуатации и нет данных, что Gemini Robotics 2 стабильно работает на широком классе роботов вне выбранных демонстрационных платформ. Корректная формулировка остается сдержанной: Google показала архитектуру, открыла ER 2 для preview и оставила action-слои в ограниченном доступе.

Для российского контекста релиз скорее технологический индикатор, чем практическая инструкция. В предоставленном каталоге источников нет российских материалов, поэтому нельзя утверждать, что модели Gemini Robotics уже применяются или готовятся к применению в российских промышленных контурах. Российским компаниям, которые занимаются роботизацией, имеет смысл следить за подходом foundation-model control, но оценивать внедрение через доступность сервисов, совместимость с оборудованием, требования безопасности и собственные данные.

Есть и контраргумент против избыточного внимания к таким релизам. Для многих производственных задач узкий контроллер, классическое компьютерное зрение и хорошо настроенный манипулятор могут быть дешевле и предсказуемее, чем foundation model стек. Ставка Google особенно интересна там, где среда меняется, задачи требуют рассуждения, а робот должен работать с разнообразными объектами. В этих же сценариях выше требования к тестированию и ответственности.

Где реальные ограничения ставки Google

Первое ограничение связано с данными и переносимостью. Роботы различаются сильнее, чем смартфоны или серверы: длиной звеньев, приводами, сенсорами, массой, захватами, допустимой скоростью и силой. Модель, адаптированная на одном embodiment, не становится автоматически универсальной. Заявление Google об адаптации On-Device 2 с менее чем 200 примерами существенно, но оно не отменяет тестов на конкретном железе.

Второе ограничение задает контактная физика. Текстовая модель может ошибиться в формулировке, а физическая система сталкивается с материалами, трением, деформацией и хрупкостью предметов. Пакет может смяться, лампочка выскользнуть, ziplock зацепиться, мусорный пакет изменить форму. Поэтому разрыв между высокими результатами на одних задачах и низкими на других не выглядит случайным: dexterity остается открытой проблемой.

Третье ограничение касается безопасности и ответственности. Даже если model card запрещает или ограничивает safety-critical use, рынок будет пробовать роботов в коммерческих и публичных средах. Чем ближе робот к человеку, тем важнее не только accuracy и latency, но и предсказуемый отказ. Хорошая робототехническая система должна быть безопасной не только при правильной работе модели, но и при ее ошибках.

Четвертое ограничение экономическое. Для бизнеса важен не ролик с демонстрацией, а стоимость интеграции, простоя, обслуживания, обучения персонала, сбора данных и страхования риска. Gemini Robotics 2 может стать полезным модельным слоем, но не решает весь комплекс внедрения. Производственный результат будет зависеть от партнеров, аппаратных платформ и отраслевых регламентов.

Пятое ограничение связано со статусом доступа. Пока ER 2 находится в public preview, Gemini Robotics 2 в private preview, On-Device 2 у trusted testers, а model card содержит существенные safety-оговорки, говорить о зрелой массовой платформе нельзя. Можно говорить о направлении: Gemini выходит из режима «понимает и отвечает» в режим «понимает, планирует и помогает действовать».

Что это означает на практике

Практическая ценность релиза зависит от роли читателя. Для разработчика, который работает с AI-интеграциями, реальной точкой входа является ER 2 и ее сценарии понимания сцены, планирования и вызова доступных инструментов. Для команды, которая отвечает за физическое оборудование, центральными остаются совместимость, тестирование на конкретной платформе и отдельный safety-контур.

Для бизнеса этот релиз не дает основания заранее считать ROI от внедрения гуманоидов на базе Gemini. Перед пилотом придется отдельно оценить данные, интеграцию, обслуживание, простои, регламенты безопасности и ограничения конкретного оборудования. Локальная модель важна как вектор снижения зависимости от сети, но не как отмена всех остальных рисков.

• Ближайшая точка входа для разработчиков: Gemini Robotics ER 2 через Google AI Studio и Gemini API в режиме public preview. Ее стоит рассматривать как слой понимания, планирования и tool orchestration.
• Для робототехнических команд VLA-слой Google интересен как направление, но не как универсальный готовый контроллер. Gemini Robotics 2 остается в private preview, а On-Device 2 доступна trusted testers.
• On-Device 2 показывает значимый вектор: часть action-policy должна находиться ближе к устройству, чтобы снижать зависимость от сети. Ограничения по out-of-distribution задачам и high-DoF роботам при этом остаются существенными.
• Для российского рынка вывод осторожный: подтвержденных разрешенными источниками внедрений Gemini Robotics в России нет. Практический интерес связан с отслеживанием foundation-model control, подготовкой кадров, симуляционных сред и собственных датасетов.

Вывод

Gemini Robotics 2 важна не как обещание «робота от Google», а как архитектурное заявление. Google DeepMind пытается собрать physical AI вокруг Gemini: ER 2 рассуждает о сцене и вызывает инструменты, VLA-модель переводит контекст в действия, On-Device 2 выносит часть управления ближе к железу. Это продолжение мультимодальной стратегии Gemini, но с гораздо более жесткой ценой ошибки.

Сильная сторона релиза в том, что Google показывает не один сценарий, а стек: reasoning, action, локальное исполнение, model card и preview-каналы для разработчиков. Слабая сторона та же, что у всей современной робототехники с foundation models: мало независимой валидации, ограниченная доступность, неоднородные результаты на тонкой моторике и серьезные safety-оговорки.

Правильная оценка остается сдержанной. Google DeepMind сделала заметный шаг к embodied AI, но пока это не массовая робототехническая платформа и не доказательство решенной ловкости. Gemini выходит из текстово-диалоговой логики в физический мир, однако физический мир требует проверяемости, безопасности, аппаратной дисциплины и экономики внедрения.

Источники

• Google DeepMind: Gemini Robotics 2 brings whole body intelligence to robots
• Google Blog: Gemini Robotics ER 2
• Google DeepMind: Gemini Robotics On-Device
• Axios: Google robotics software update
• Google DeepMind Blog: Gemini Robotics On-Device 2 Model Card
• Google DeepMind Blog: Gemini Robotics ER 2 Model Card
• The Verge: Google DeepMind’s new AI model can control a robot’s entire body
• Bloomberg Technology: Google Unveils Gemini AI for Robots Struggling With Dexterity

Частые вопросы

Что такое Gemini Robotics 2?

Gemini Robotics 2 — часть робототехнического стека Google DeepMind. В материалах Google она описывается как VLA-модель, которая связывает визуальный и языковой контекст с физическими действиями робота.

Чем Gemini Robotics ER 2 отличается от Gemini Robotics 2?

ER 2 отвечает за embodied reasoning: анализирует сцену, планирует шаги, оценивает прогресс и вызывает инструменты. По данным Google, она выдает текстовый результат и не является прямой моделью управления суставами.

Можно ли уже использовать модели Gemini Robotics?

ER 2 доступна в public preview через Google AI Studio и Gemini API. Gemini Robotics 2 находится в private preview, а On-Device 2 доступна trusted testers.

Зачем роботу локальная модель On-Device 2?

Локальная VLA-модель снижает зависимость от сети и может быть важна там, где требуется быстро корректировать движение или канал связи нестабилен. Она не отменяет калибровку, ограничения движения, аварийную остановку и другие safety-механизмы.

Доказывают ли результаты Google готовность роботов к массовой работе?

Нет. Приведенные success rate являются официальными оценками Google, а не независимым бенчмарком с раскрытой методологией. В источниках также указаны ограничения по генерализации, тонкой моторике, безопасности и доступности моделей.

Практический чек-лист