Google DeepMind 於推出全新「embodied reasoning」（具身推理）模型 Gemini Robotics ER 2。Gemini Robotics ER 2 這項技術旨在突破現有機器人在真實物理世界中的局限，不僅具備升級的空間與影片理解能力，更主打即時決策與多機器人協作，為實體 AI 的應用開啟全新篇章。
結合直覺與速度的高階大腦
在日常環境中協助人類，機器人需要的往往不只是精準的空間定位，更需要像人類一樣快速反應、掌握時機。Gemini Robotics ER 2 被定位為機器人的「高階大腦」，專門負責對話、理解物理世界以及規劃多步驟任務，並將低階的動作執行交由視覺-語言-動作（VLA）模型處理。
新一代模型整合了 Gemini Live API，透過雙向串流端點大幅降低延遲。這讓機器人能夠在執行動作的同時同步進行思考，擺過去常見的「停頓與思考」延遲感。Google DeepMind 也與波士頓動力（Boston Dynamics）合作展示相關應用，透過 Spot APIs 指揮 Spot 執行拿取爆米花等互動任務。
精準掌握任務進度與時間點
機器人過去面臨的一大難題是「如何判斷任務已經完成」。Gemini Robotics ER 2 在影片理解與進度追蹤上有顯著躍升，帶來兩大核心能力：
- 連續進度分類（Progress Classification）：透過分析影片畫面的五個階段（0% 至 100%），讓機器人擁有即時的現場情境意識，能在發生失誤時即時調整或重試，無須重啟整個工作流程。
- 精準時刻尋找（Precision Moment-Finding）：能夠以高達 91.3% 的準確度和極低的時間誤差（0.96 秒平均絕對距離），精準鎖定關鍵事件發生的影格（例如倒咖啡的最佳停止時機），以次秒級的反應速度確保操作安全。
多機協作與強化的安全機制
單一機器人難以應付所有環境需求，Gemini Robotics ER 2 因此支援多機器人協作，讓不同型態的機器人（如輪式機器人與雙足人形機器人）透過共用的語意理解來互相交接並完成複雜任務，例如串聯 Apptronik 的 Apollo 2 與 Franka F3 Duo 共同作業。
此外，在安全性方面，新模型在「安全指令遵循」與「人類鄰近度」評測中表現優異。當偵測到人類靠近時，人形機器人能夠自動暫停，並在區域安全後自動恢復作業，大幅提升人機協作的安全性。
目前 Gemini Robotics ER 2 已透過 Gemini API 與 Google AI Studio 向開發者全面開放，並在 Gemini Enterprise Agent Platform 提供私人預覽。
資料來源：Google Blog
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！