Google扔出了一个新版本的大模型——专门给机器人用的那种。
Gemini Robotics 2发布了，包含三个子模型，其中只有一个现在开始公开向开发者提供。这次的重点有两个：手部动作更灵活了，多台机器人能配合干活了。
先说"灵巧"这件事。
人类的手有27个自由度，每根手指都能独立控制，指尖触感能告诉你咖啡杯有多烫。以前的机器人做精细操作，要么靠预编程的动作序列，要么需要人类不断纠正。Gemini Robotics 2想改变这个局面。
它旗下有个叫ER 2的"具身推理"模型，本质上是个视觉-语言模型，负责理解指令和周围环境。最大的升级是它现在能实时处理机器人摄像头的画面，在任务执行过程中持续跟踪进度。比如让它倒一杯咖啡，它能识别什么时候该停手——准确率接近90%，比上一代1.6版本高出不少。
它还能实时发现失败并重新尝试。球滚走了，手移歪了，不需要从头开始，直接调整手位继续干。
多机配合是另一个亮点。
Google放出的演示视频里，Apollon 2和Franka F3 Duo两台机器人同时在一个任务流程里工作，互相不撞车。视频是实拍，没有加速，看起来它们确实在协调彼此的动作——虽然速度还是比真人慢很多。
这背后的逻辑是：ER 2负责理解，ER 2理解完任务后，把指令转交给另一个叫Gemini Robotics 2的视觉-语言-动作模型，由它生成具体的机器人动作序列，类似于AI生成文本或图片的方式，只不过输出的是机械动作。
还有一个低延迟的本地版本，叫Gemini Robotics On-Device 2，这个目前只在少数测试者手里。
类比一下的话，这就像是从"你教它每个动作"进化到了"你告诉它要什么结果，它自己想办法做到"。离真正的通用机器人还有点距离，但显然比两年前的产品更像样了。
机器人什么时候能进你家帮你做饭洗衣服？这个问题还没人能回答。但至少现在，它的手不会动不动就把东西摔地上了。