Google DeepMind представила Gemini Robotics 2 — первую ИИ-модель для полного управления гуманоидным роботом
Лаборатория Google DeepMind анонсировала семейство моделей Gemini Robotics 2, ставшее первым решением, способным управлять движением всего тела гуманоидного робота — от ступней до кончиков пальцев — в рамках единой обучаемой политики. Предыдущее поколение моделей контролировало только верхнюю часть туловища. Демонстрационная платформа стала Apollo 2 от компании Apptronik, а также использовались двухрукие системы Franka Duo и исследовательские роботы Dexmate, Trossen и SO101.
Три модели для разных уровней задач
Google DeepMind выпустила три взаимосвязанных компонента. Основная модель Gemini Robotics 2 — это vision-language-action (VLA) система, преобразующая данные камер и речевые инструкции в моторные команды для полноценных гуманоидов и двухруких роботов с многопальцевыми руками или параллельными захватами.
Модель Gemini Robotics ER 2 (Embodied Reasoning) построена на базе Gemini 3.5 Flash и выполняет роль высокоуровневого мозга: ведёт диалог, планирует многошаговые задачи, отслеживает прогресс, вызывает инструменты и координирует несколько роботов. Контекстное окно составляет 128 тысяч токенов, поддерживаются перемежающиеся текст, изображения, видео и аудио. ER 2 доступна широкой аудитории через Google AI Studio.
Третий компонент — Gemini Robotics On-Device 2 — работает локально на борту робота без постоянного подключения к облаку. На базе Gemini Robotics 1.5 и моделей Gemma она адаптируется к незнакомой роботизированной платформе за несколько часов, используя менее 200 демонстраций. Эта модель и основная VLA-версия пока распространяются только среди партнёров раннего доступа.
Что показывают демонстрации
Ключевой сценарий намеренно бытовой: по голосовой команде «поставь лейку в зелёный контейнер на нижней полке» Apollo 2 самостоятельно переходит через комнату, находит предмет, поднимает его, приседает и размещает в указанном месте. Никакая последовательность движений не была заранее запрограммирована.
Другие задачи включают выкручивание лампочки, завязывание узла на мусорном пакете, герметичное закрытие пакета с застёжкой Ziploc, уборку мусора в совок и плотную упаковку предметов с использованием захватов. Некоторые эпизоды длятся несколько минут. Также показана координация двух роботов над общей задачей под управлением ER-модели.
Опубликованные показатели успешности
DeepMind приведена откровенная таблица успешности выполнения задач на платформе Apollo 2, которая показывает значительный разброс в зависимости от сложности манипуляции:
- Выкручивание лампочки (руки SharpaWave) — 92%
- Завязывание узла на пакете (SharpaWave) — 44%
- Закрытие Ziploc-пакета (SharpaWave) — 40%
- Закручивание лампочки обратно (SharpaWave) — 36%
- Уборка в совок (SharpaWave) — 32%
- Подбор с полки (руки Inspire) — 76,3%
- Подбор со стола (Inspire) — 68,4%
- Подбор с пола (Inspire) — 45,7%
- Точная вставка (Franka Duo, захват Robotiq) — 89,6%
Разработчики признают, что скорость передвижения и выполнение тонких манипуляций пока далеки от человеческих возможностей и требуют доработки.
Стратегия: слой интеллекта, а не железо
Стратегический посыл анонса выходит за рамки демо-роликов. Google не пытается выиграть гонку по производству гуманоидного железа. Компания позиционирует себя как поставщик слоя интеллекта для роботов, которые строят другие игроки. Партнёрами уже названы Apptronik и Boston Dynamics, в то время как Figure и Tesla сохраняют вертикально интегрированный подход.
Для безопасности представлен бенчмарк ASIMOV-Agentic, а ER 2 заявлена как самая безопасная робототехническая модель DeepMind на данный момент. Массовое внедрение таких систем на складах и в быту всё ещё требует повышения точности и быстродействия, однако переход к целостному whole-body control считается важным этапом к созданию универсального физического ИИ.
