Gemini Robotics 2：全身控制对产品团队意味着什么

Gemini Robotics 2 把 Google DeepMind 的机器人能力从上半身操作推进到从脚到手指的协调控制。它的商业意义并不只是让人形机器人又学会一个动作。机器人现在可以同时处理行走、平衡、伸手和操作，另一个推理模型则负责规划多步骤任务，并检查每一步是否完成。

这不代表人形机器人已经成为即买即用的产品。Google 报告称，机器人拧下灯泡的成功率为 92%，但拧上灯泡只有 36%，其他多指任务只有 32% 至 44%。直接控制机器人的模型也仍然只向特定合作伙伴开放。因此，真正的问题不是“现在能否购买通用机器人员工”，而是：今天可以测试控制栈中的哪一层，适合哪个工作流，又需要什么安全边界？

本文把三个模型、完整基准、当前开放范围和试点方案放在同一个采购决策中。若要建立更完整的上线节奏，可以配合我们的 AI 智能体 30/60/90 天试点计划。

Gemini Robotics 2 是什么？

Gemini Robotics 2 是由三个相互连接的物理 AI 模型组成的产品族，而不是一个单体机器人“大脑”。根据 Gemini Robotics 2 官方发布说明，感知、规划和动作分布在不同模型中，每个模型有不同的部署方式。

这种拆分很重要。推理模型可以担任高层编排器，VLA、导航 API 或传统控制器则执行边界明确的动作。团队可以更换其中一层，不必让一个基础模型同时掌管所有关节、安全停止和业务决策。

为什么全身控制才是真正的跃迁

上一代主要控制人形机器人的上半身，完成桌面任务。Gemini Robotics 2 把学习到的动作策略扩展到全身。在 Apollo 2 演示中，一条指令会让机器人走到桌边、拿起浇水壶、走向货架，再把它放进下层的绿色容器。每一步都改变机器人的触达范围、平衡状态和下一帧有效视野。

这正是人类环境中的难点。固定机械臂可以在精心设计的工作单元中表现出色。仓库、实验室或维修区中的人形机器人却需要在不同工作台之间移动、调整站姿、避让人员，并在物体位置与计划不一致时恢复。全身控制减少了行走程序与操作程序之间的人工交接。

它并没有取代其余机器人控制栈。硬件专用控制环仍需负责无碰撞运动、平衡、力限制和紧急行为。基础模型扩大了系统可理解的目标和可组合的动作，但不应成为唯一的安全层。

92% 的灯泡结果究竟证明了什么？

它证明了特定任务上的有效灵巧性，但没有证明手部操作具有通用可靠性。发布评估列出了 Apollo 2 使用 22 自由度手完成五项多指任务的成功率。

同一发布中的其他图表显示，某种 Apollo 配置从地面拾取物体的成功率为 45.7%，从桌面拾取为 68.4%，从货架拾取为 76.3%。所以试点必须覆盖真实任务分布，而不是只看最佳演示。应测试别扭角度、掉落、杂乱、光线变化、人员进入和部分失败后的恢复。

三个模型如何协作？

Gemini Robotics ER 2 是高层智能体。它持续接收视频和指令，拆分步骤、调用底层工具、观察进度，并决定继续、重试或向人求助。Google 的 Gemini Robotics ER 2 开发者发布说明指出，开发者可以把 VLA 或导航 API 声明为工具，并通过 Gemini Live API 流式传入视频、音频或文本。

面向生产的控制路径应包含以下层次：

1. 观察：摄像头、机器人状态和任务上下文进入带时间戳的感知流。
2. 推理：ER 2 选择下一个有限步骤、检查约束，并判断是否需要澄清。
3. 执行：VLA 或确定性的机器人 API 执行已批准动作。
4. 防护：底层控制器、安全级传感器和硬件联锁可以独立停止运动。
5. 验证：视频进度与确定性任务信号共同确认结果。
6. 升级：遇到不确定、重复失败或人员进入时，把控制权交回人类。

这是具有物理后果的智能体架构。日志应保留指令、观察、拟调用工具、约束判断、实际动作、停止事件和最终验证。没有这条证据链，团队既无法解释故障，也无法比较新模型是否真的更好。

企业今天能否使用 Gemini Robotics 2？

可以进行具身推理实验，但通常还不能直接获得全身动作模型。Gemini Robotics ER 2 模型卡列出了 Gemini API 和 AI Studio。模型卡也要求在生产、商业或公共环境中谨慎使用，并明确不应用于安全关键场景。

如果你正在比较自研集成、购买平台或暂缓投入，可以参考我们的定制软件与现成软件决策指南。机器人采购还要加入硬件可得性、适配数据、安全责任和模型访问条件。

设备端迁移能力为何可能最具商业价值

云端推理适合网络和响应时间允许的任务，运动控制却经常无法接受这种依赖。Gemini Robotics On-Device 2 为本地运行设计。DeepMind 称，它可以用数小时数据适配新的双臂机器人，通常少于 200 个样本。

On-Device 2 模型卡补充了标题中缺失的边界：模型只面向受信任测试者，对分布外任务和高自由度机器人仍有限制，评估主要覆盖静止双臂操作。移动平台与全身控制的风险不在该模型卡的评估范围内。

所以，“少于 200 个样本”是数据效率起点，不是部署报价。采购方仍要询问样本如何收集、谁标记成功、失败样本占比、传感器如何变化、机器人端需要什么算力，以及遇到适配集之外的状态时如何处理。

安全结果支持分层控制，而不是完全自治

DeepMind 的 Gemini Robotics 2 安全报告的价值在于它公开了权衡。在人员接近基准中，没有任何受测模型同时做到几乎不漏掉危险和几乎不产生多余停止。减少中断的模型可能漏掉更多真实危险。报告因此建议把确定性的底层安全防护与前沿模型感知结合使用。

商业试点在第一次真实运动前，应建立四个独立控制边界：

• 物理边界：速度、力度、工作空间和载荷限制在模型下层强制执行。
• 语义边界：禁止任务、工具白名单，以及模糊指令必须澄清。
• 人工边界：明确的停止权限，新任务、新工具和新区间必须审批。
• 证据边界：逐次记录成功、碰撞、人工干预、误停和恢复。

模型识别附近人员很有价值，但不能代替安全级传感器和机械风险评估。

Gemini Robotics 2 的 90 天试点计划

1. 第 0 至 30 天，选择工作流。选择一项重复但场景变化会让固定自动化成本过高的任务。记录人工基线、频率、干预成本和不可接受的故障。列出全部物理风险，并决定是否只做仿真。
2. 第 31 至 60 天，构建数字控制边界。把 ER 2 接入模拟或沙箱机器人工具。使用代表性视频，要求结构化工具调用，加入歧义测试并记录进度。在任何真实控制前运行固定评估集。
3. 第 61 至 90 天，监督有限运动。若安全评估允许，只连接已审核技能，在受控区域低速运行并由人工审批。跟踪完成率、恢复、干预、误停、延迟和每项可接受任务的成本。

第 90 天的决定只有扩大、重构或停止。不要因为最佳演示成功一次就扩张。只有当真实任务分布超过预先约定的阈值，而且团队能够解释和恢复重要故障时，才增加物理自主权。

采购方应向机器人 AI 合作伙伴问什么？

• 今天真正可用的是通过 API 的 ER 2，还是合作伙伴计划中的 VLA？
• 哪个基准任务最接近我们的流程，完整成功率分布如何？
• 模型下层有哪些确定性控制，包括平衡、避碰、力度和紧急停止？
• 适配样本如何收集、版本化和审批？
• 哪些数据离开现场，哪些推理留在设备端？
• 如何重放故障并比较模型、提示词或控制器版本？
• 若模型访问条件变化，谁拥有集成、训练数据、遥测和回退路径？

Wavect 的 AI 产品工程服务可以把推理、集成和评估层转化为边界清晰、由客户团队掌控的试点。我们的 Twinsoft AI 案例展示了从概念到可靠 AI 工作流所需的产品与工程方法。如果希望在投入硬件预算前获得独立可行性判断，可以预约物理 AI discovery。

主要来源与研究边界

1. Google DeepMind，Gemini Robotics 2 发布说明：模型族、开放范围、全身演示、灵巧操作基准和适配数据。
2. Google，Gemini Robotics ER 2 开发者发布：API、工具编排、流式输入和进度评估。
3. Google DeepMind，Gemini Robotics ER 2 模型卡：分发方式、预期用途和生产限制。
4. Google DeepMind，Gemini Robotics On-Device 2 模型卡：测试资格、评估范围和已知限制。
5. Google DeepMind，Gemini Robotics 2 安全报告：人员接近、不确定性与分层安全。

信息核验日期为 2026 年 8 月 7 日。本文使用公开发布材料、模型卡和安全评估。我们没有获得模型访问权限，没有操作 Apollo 2，也没有独立复现机器人基准。文中的成功率是供应商评估，不是 Wavect 测试结果。