Gemini Robotics ER 2：当机器人学会“看视频”思考，物理世界的自动化迎来新拐点

引言：从“执行指令”到“理解任务”的跨越

当机器人不再只是被动执行编程指令，而是能通过实时视频“看懂”自己在做什么、下一步该做什么，这标志着物理世界自动化进入了一个全新的阶段。近期，Google DeepMind 团队发布的 Gemini Robotics ER 2 模型，正是朝着这个方向迈出的关键一步。它不再仅仅是一个视觉-语言模型，而是一个为机器人设计的“高层大脑”，负责思考、规划和协调，而将具体的运动控制交给底层的视觉-语言-动作（VLA）模型。

这种架构上的分离，解决了机器人领域一个长期存在的痛点：高层逻辑推理与低层运动控制在时间尺度上的不匹配。传统的“感知-规划-执行”流水线往往存在明显的延迟，导致机器人动作僵硬、反应迟缓。Gemini Robotics ER 2 的设计初衷，就是让机器人能够在执行动作的同时进行“思考”，实现思考与行动的同步。

核心技术突破：视频理解与任务编排

Gemini Robotics ER 2 相较于前代 ER 1.6 的提升，主要体现在两个维度：时间智能（Temporal Intelligence） 和 多智能体协作（Multi-Robot Collaboration）。

连续进度分类：让机器人“心中有数”

在复杂的物理任务中，机器人最困难的事情之一是判断“任务是否已经完成”。例如，拧紧灯泡或系紧垃圾袋，这些动作的完成标准很难用简单的规则定义。Gemini Robotics ER 2 通过引入“连续进度分类”机制，能够将视频流中的每一帧划分为 0-20%、20-40% 等五个进度等级。这种量化任务进度的方法，赋予了机器人实时态势感知能力。根据 Google DeepMind 公布的数据，该模型在进度分类任务上的准确率达到了 57.4%，显著超越了前代产品和市场上的其他前沿模型。

这项能力的价值在于，它允许机器人在任务执行过程中进行动态调整。如果某个步骤失败了，机器人可以精准地定位到失败点进行重试，而无需从头开始整个流程，这极大地提升了任务执行的鲁棒性。

精准时刻定位：把握“关键瞬间”

除了判断进度，机器人还需要识别任务中的“关键时刻”，例如倒咖啡时何时停止。Gemini Robotics ER 2 在“时刻定位”能力上取得了显著进展，它能够精确识别视频流中关键事件发生的具体帧。这意味着机器人可以在正确的时机切换任务、验证操作是否成功，并给出下一步的纠正建议。这种对时间维度的精准把握，是机器人从“自动化工具”走向“自主智能体”的关键能力。

从单机到群体：多机器人协作的探索

Gemini Robotics ER 2 引入了多机器人协作能力，允许不同的机器人在共享空间中协同工作，完成单个机器人无法独立完成的复杂工作流程。这不仅仅是简单的通信，而是涉及任务分配、路径规划和动作协调的复杂系统工程。例如，在一个仓库场景中，一个机器人负责搬运货架，另一个机器人负责拣选商品，Gemini Robotics ER 2 需要实时协调两者的行动，避免冲突并优化整体效率。

在工具调用方面，Gemini Robotics ER 2 可以原生调用 Google Search 等工具来获取外部信息，或者调用用户自定义的函数。开发者可以将低层控制接口（如 VLA 模型或导航 API）声明为工具，并将多模态视频、音频或文本流直接输入模型。这种设计使得 Gemini Robotics ER 2 成为一个强大的“任务编排器”，而非仅仅是一个单一的模型。

性能评估与生态构建

为了验证模型的真实性能，Google DeepMind 团队在模拟环境和真实世界控制中进行了评估，甚至包括人类远程操控模式。结果显示，Gemini Robotics ER 2 在真实 VLA、模拟 VLA 和人类遥操作三种控制模式下，工具编排性能均持续优于 ER 1.6。

一个值得关注的细节是，Gemini Robotics ER 2 集成了 Gemini Live API，使用针对延迟敏感任务优化的双向流式端点。这种设计消除了机器人执行任务时常见的“停顿思考”现象，实现了流畅的连续动作编排。Google 与波士顿动力（Boston Dynamics）合作，使用 Gemini Robotics ER 2 编排 Spot 机器人的 API，实现了通过自然语言指令让 Spot 机器人取回物品的演示，相关代码已在 GitHub 上开源。

目前，开发者可以通过 Gemini API、Google AI Studio 以及 Gemini Enterprise Agent Platform 的私有预览版访问该模型。

国内视角：具身智能的竞赛已进入下半场

Gemini Robotics ER 2 的发布，再次将“具身智能”这一概念推向聚光灯下。在国内，这一赛道同样竞争激烈。百度文心一言、阿里通义千问等大模型厂商，以及 DeepSeek、智谱 GLM 等创业公司，都在积极探索大模型与机器人硬件的结合。

与 Google DeepMind 的“通用大脑”路线不同，国内企业更倾向于软硬一体化的垂直整合。例如，一些厂商专注于特定场景（如仓储物流、家庭服务）的端到端解决方案，强调数据闭环和场景落地。虽然在大规模通用模型的基础研究上可能存在差距，但国内在应用场景的丰富度、供应链的完整性以及工程化落地速度上具有独特优势。未来，通用大模型能力与垂直场景深耕的结合，将是决定这场竞赛胜负的关键。

对于开发者而言，Gemini Robotics ER 2 的开放 API 降低了开发物理 AI 智能体的门槛。但值得注意的是，将这样的模型部署到实际生产环境中，仍然面临数据安全、实时性、硬件适配等多重挑战。

总结与展望

Gemini Robotics ER 2 的发布，是 Google DeepMind 在具身智能领域的一次重要技术升级。它通过强化视频理解、任务编排和多机器人协作，让机器人向“在物理世界中更有帮助”的目标迈进了一大步。尽管距离通用机器人智能还有很长的路要走，但这类“高层大脑”模型的成熟，正在加速机器人从专用工具向通用助手演进。

随着模型能力的持续提升和开源生态的繁荣，我们有理由相信，物理世界的自动化将迎来一个加速发展的黄金时期。

常见问题

Gemini Robotics ER 2 与传统的 VLA 模型有何不同？

Gemini Robotics ER 2 并不是一个直接输出电机指令的 VLA 模型，而是一个“高层大脑”。它负责感知环境、进行多步任务规划、并通过工具调用的方式指挥底层的 VLA 模型或 API 去执行具体的动作。这种分离架构让高层推理不再受限于低层控制的频率，实现了更灵活的编排。

如何获取并使用 Gemini Robotics ER 2？

开发者可以通过 Gemini API、Google AI Studio 以及 Gemini Enterprise Agent Platform（私有预览版）来访问 Gemini Robotics ER 2。Google 官方提供了配置示例和提示词示例，帮助开发者快速上手构建物理 AI 智能体。

Gemini Robotics ER 2 在任务进度跟踪上的表现如何？

Gemini Robotics ER 2 在连续进度分类任务上达到了 57.4% 的准确率，显著优于前代 ER 1.6 和其他竞争模型。它能够将视频帧划分为五个进度等级，使机器人具备实时态势感知和动态纠错能力。

多机器人协作是如何实现的？

Gemini Robotics ER 2 通过原生调用工具和 API，能够协调多个机器人在共享空间中的行动。它负责任务分配和时序编排，而各个机器人则将自身的控制接口作为工具提供给模型调用。

该模型是否支持实时交互？

是的。Gemini Robotics ER 2 集成了 Gemini Live API，使用双向流式端点，专为延迟敏感的任务进行了优化。这使得模型能够流畅地指挥动作模型和机器人 API，避免了执行过程中的“停顿思考”现象。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。