Gemini Robotics ER 2 現於 Google Cloud 提供，支援多機器人協作

背景

具身推理（Embodied Reasoning，讓機器人結合感知與高階思考以規劃任務並與人類互動的能力）傳統機器人多依賴預先編程或遠端遙控，難以應對非結構化環境。Google DeepMind 推出 Gemini Robotics 2 系列，旨在透過 AI 模型層賦予機器人適應性，其中 Gemini Robotics ER 2 專責處理高階邏輯與任務規劃，將具體動作執行交由視覺語言動作模型（VLA，將視覺與語言輸入轉換為機器人動作控制的模型）處理。 官方原文・deepmind.google 官方原文・blog.google

發生什麼事

Google 於 2026 年 7 月 30 日發布 Gemini Robotics ER 2，並於 2026 年 10 月 27 日宣布該模型現已於 Google Cloud 的 Gemini 平台提供公開預覽（Public Preview）。開發者可透過 Gemini API、Google AI Studio 存取，企業則可透過 Gemini Enterprise Agent Platform 進行私有預覽。此舉讓企業能將 Google DeepMind 的具身推理模型與 Google Cloud 的安全管控、多代理編排及生命週期管理結合。 官方原文・blog.google Google Cloud Blog (AI)

重點內容

Gemini Robotics ER 2 的核心功能在於任務進度追蹤與時間理解。模型能將連續的視訊畫面分類為五個進度等級（0-20%、20-40%、40-60%、60-80%、80-100%），準確率達 57.4%，讓機器人能即時調整動作或在步驟失敗時重試，而無需重新啟動整個工作流程。此外，模型具備「時刻尋找」（Moment-finding，識別關鍵事件發生之具體視訊幀的能力），能精確識別關鍵事件發生的具體視訊幀（例如停止倒咖啡的瞬間），準確率為 91.3%，平均絕對距離為 0.96 秒，執行速度為許多大型模型類別的 4 倍。 Google Cloud Blog (AI) 官方原文・blog.google

該模型支援多機器人協作，允許不同形態的機器人（如輪式機器人、人形機器人）透過共享語義理解來分工與交接任務。在空間推理方面，Gemini Robotics ER 2 能從原始視訊中偵測執行失敗（如洩漏、滑動），並擴展儀器讀取能力，涵蓋圓形刻度、數位顯示、線性刻度、尺規及液體溫度計等 10 種以上儀器類型。模型整合於 Gemini Live API，使用雙向串流端點以優化延遲，確保機器人能在執行動作同時進行思考，避免停頓。 原文 Google Cloud Blog (AI)

安全性方面，Google 引入 ASIMOV-Agentic（評估代理式安全編排與不確定性解決能力的基準測試），評估模型作為安全 VLA 編排者的能力，包括拒絕不安全的工具呼叫、預測任務可行性及在不确定時請求人類介入。Gemini Robotics ER 2 在安全指令遵循與人類接近度（Human Proximity）基準上表現優異，能偵測附近人類並觸發安全停止機制，待區域清空後自動恢復工作。 官方原文・deepmind.google 官方原文・blog.google

對使用者的意義

開發者與企業團隊可透過 Google Cloud 的 Model Garden 開始使用 Gemini Robotics ER 2。企業可利用該平台模擬機器人行為（支援 MuJoCo-Warp 和 NVIDIA Isaac Sim）、標註示範影片以訓練自訂 VLA 模型，並部署至邊緣運算環境。對於一般開發者，Google 提供了範例程式碼與提示詞配置指南，協助將模型整合至機器人系統，實現自然語言互動與複雜任務編排。 Google Cloud Blog (AI) 官方原文・blog.google

限制與未定事項

Gemini Robotics ER 2 目前處於公開預覽階段。雖然模型能控制人形機器人進行全身動作，但官方指出機器人的移動速度仍有進步空間。此外，Gemini Robotics 2 系列中的 VLA 模型與 On-Device 2 模型僅開放給早期存取合作夥伴，並非所有組件都對公眾開放。 Google Cloud Blog (AI) 官方原文・deepmind.google