Google DeepMind发布Gemini Robotics 2

Google DeepMind的核心技术主张是架构层面的，而非表面性的。此前系统（包括公司自研的Gemini Robotics 1.5）在交接点拼接了分别用于移动与操作的独立控制器^[1]。Gemini Robotics 2用单一学习策略替代了这一拼接，同时协调腿部、躯干、双臂及一个22自由度的手部^[1]。该系列分为三个职责明确的模型：视觉-语言-动作模型将视觉与语言输入直接转换为运动控制；Gemini Robotics ER 2负责通信、世界理解与多步规划；Gemini Robotics On-Device 2则优化为在机器人本体上本地运行^[2]。实践中，这体现为同一AI层运行于不同物理硬件上——同一基准测试套件报告了配备Inspire手部的Apollo 2人形机器人，以及双臂Franka Duo桌面平台的结果^[3]，这正是DeepMind“一个大脑适配任意机器人”定位的实际依据，而非为每台机器定制专属模型。

系鞋带与更换灯泡的演示视频掩盖了更为参差的基准测试结果。在多指灵巧性任务中，DeepMind自身公布的数据显示：拧下灯泡的成功率为92%，扎紧垃圾袋为44%，密封拉链袋为40%，而簸箕任务仅为32%^[3]。全身操作的成功率也因情境而异——Apollo 2平台上从货架取物成功率为76.3%，但从地面取物仅为45.7%^[3]。这种差异至关重要，因为据外部报道，展示的任务并非开放泛化的证据：所展示的机器人并非通用机器，其模型是通过人类遥操作、视频示例和仿真针对每个视频任务专门训练的^[4]。灵巧性成功率从约三分之一到超过九成不等，与“物理AGI”的叙事之间的落差，正是独立观察者提出质疑的关键所在。

尽管发布范围广泛，但大部分技术栈尚不可试用。目前可通过Google AI Studio及Gemini Enterprise Agent Platform的私有预览获取推理与规划模型Gemini Robotics ER 2^[5]。而实际驱动运动控制的视觉-语言-动作模型，以及为离线硬件适配构建的On-Device模型，仍仅限于选定的早期合作伙伴^[5]。这意味着公众目前可查询的部分是负责规划与推理的“大脑”，而非操控机器人手指的部分——这一区别在将发布视为单一产品的报道中极易被忽略。

Google DeepMind以极为宏大的措辞定位此次发布。机器人部门负责人Carolina Parada称其为迈向‘物理AGI’的一步，并强调随着部署场景扩大，安全问题愈发紧迫：“安全问题更加迫切，因为你正将它们置于更多其他情境中。”^[6]。公司声明更进一步，将此里程碑描述为向“能够完成人类所能做的一切的机器人”迈进的进展^[7]。然而，这种定位与上述参差的成功率以及外部批评——即所展示任务为逐项专门训练而非证明具备通用性——难以相容^[4]。公众反应亦呈两极：对系鞋带、单手换灯泡等具体灵巧性成果的赞赏广泛存在，但也有显著的怀疑声音质疑演示是否反映真实泛化能力或仅为有利布景，并指出该人形机器人仍落后于Figure、特斯拉及中国机器人项目等竞争对手。对于一个最难灵巧任务失败率接近一半的系统，“物理AGI”是否是恰当标签，正是此次发布引发的核心开放问题。