http://x.com/i/article/2083025794696396800

机器人终于学会了蹲下：Gemini Robotics 2 把智能从桌面拉到了脚底！

过去两年，你在网上刷到的机器人视频，几乎都被同一张桌子框住了。

一双机械臂，一张实验台，叠衣服、拉拉链、把香蕉放进篮子。镜头很少往下移，因为桌子以下通常是一根固定在地面的立柱，或者一个全程不参与任务的底盘。手很聪明，身体是块石头。

2026年7月30日，Google DeepMind 发布 Gemini Robotics 2，镜头第一次往下拉了。一台人形机器人走到桌边，弯腰拿起浇水壶，转身走向房间另一头的架子，蹲下去，把壶精准放进最底层的绿色箱子。

听上去像三岁小孩都会做的事。但对机器人来说，这中间跨过的沟，比从"叠衣服"到"打领结"要宽得多。

从两条胳膊，到一整具身体

2025年3月，DeepMind 基于 Gemini 2.0 推出第一代 Gemini Robotics，核心卖点是 VLA。

VLA（视觉-语言-动作模型）：一类直接把摄像头画面和人类指令"翻译"成电机转动角度的模型。传统机器人需要工程师把任务拆成一行行坐标指令，VLA 跳过这一层，看一眼、听一句，手就动了。它相当于给机器人接了一条从眼睛直通肌肉的神经。

第一代已经足够惊艳，但它的世界只有桌面那么大。控制对象是两条机械臂，任务空间是一米见方的操作台。重心问题不存在，因为身体压根不动。

二代把边界推到了"从脚到指尖"。整台人形机器人，包括腿、腰、躯干、双手、每根手指，全部纳入同一个模型的控制回路。

这个差别没有听上去那么温和。你端着一碗满到边缘的汤在客厅里走，脑子里同时在算三件事：汤会不会洒、脚下有没有东西绊、下一步落在哪里。这三件事互相干扰，任何一件算错，另外两件全废。机械臂固定在台面上时，第三件事不存在，第二件事不存在，只剩第一件。人形机器人一旦迈开腿，三件事同时上桌。

DeepMind 给二代的定位是"下一代自适应机器人的智能层"。智能层这个说法值得琢磨一下：它不绑定任何一款机器人，它是一层可以往不同躯壳里灌的能力。

三个模型，各管一段

Gemini Robotics 2 不是一个模型，是三个。它们分工明确，可以单独用，也可以串起来用。

Gemini Robotics 2，最强的那个 VLA。输入是画面加一句人话，输出直接是电机控制信号。它能驱动完整人形机器人，比如 Apptronik 的 Apollo 2，也能驱动传统双臂平台。双手、夹爪、五指手都支持。走路、蹲下、伸展、动态平衡重心，这些原本属于"运动控制"专业领域的活儿，被塞进了同一个模型里。

Gemini Robotics ER 2，负责思考的那一层。

ER（Embodied Reasoning，具身推理）：一个不直接控制电机的视觉-语言模型，专门做"想"这件事。理解物理世界的空间关系、把一句模糊的指令拆成多步计划、判断某一步到底做成没有、需要时调用工具、协调多台机器人。

它像是工地上那个不搬砖的工头，手上没沾灰，但每块砖该往哪儿放他都清楚。

ER 2 基于 Gemini 3.5 Flash 改进，重点强化了四项能力：空间推理、视频时刻定位（在一段视频里找到"事情发生的那一秒"）、进度分类、多机器人编排。它已经在 Google AI Studio 和 Gemini API 上开放公测，企业 Agent 平台是私有预览。

Gemini Robotics On-Device 2，跑在机器人身上的那一版。

模型体积压缩过，不联网也能跑，没有网络延迟。

原生支持多形态，意味着换一台构造完全不同的机器人，不需要重新训练一遍。这一版的意义在于：云端模型再聪明，一旦断网就是块砖。

工厂车间、地下室、野外作业，这些地方的网络状况没人敢打包票。本地模型就像手机上下好的离线地图，信号消失时它还在。

三者协同的方式很直观：ER 2 想清楚"要干什么、分几步、现在到哪一步了"，VLA 负责把每一步变成关节角度。一个是大脑皮层，一个是小脑加脊髓。

六个能力切片

官方列出的能力亮点有六条，每一条背后都对应着一类过去做不到的事。

智能全身控制。从上半身操作扩展到整具身体的协调。人形机器人可以在杂乱的房间里行走、蹲下、伸展、维持平衡，完成整理房间这类任务。杂乱这个词是关键，实验室里干净的地板和真实客厅里散落的物品，对平衡算法是两种难度。

高级灵巧操作。支持 22 自由度的五指手，比如 SharpaWave，完成拧灯泡、打绳结、密封拉链袋这类动作。

22 个自由度是什么概念？

人手大约有 27 个自由度，也就是说这只机械手已经接近人手的关节复杂度。打结这个动作尤其能说明问题，它需要两只手在三维空间里配合、需要感知绳子的柔软形变、需要中途反复调整。

绳子不是刚体，它每一刻的形状都在变，这类目标是机器人操作里最难啃的一类。同时双指夹爪也能做紧密打包这种要求空间规划的活。

多机器人协作。不同形态的机器人可以自主沟通、识别彼此的长处、自行分工，一起完成单台机器人搞不定的工作流。

这里的重点在"自主"，不是人类事先写好谁干什么。就像装修队里瓦工和电工不需要包工头逐句安排，看一眼现场就知道谁先上。

快速适配与泛化。适配一个全新的机器人形态，通常只需要少于 200 个示例、几个小时。

适配对象包括 Dexmate、SO101、Trossen 这些传感器配置和自由度差异极大的平台。开放词汇指令让它能应对没见过的物体、环境和变化。

200 个示例是个很小的数字。放在传统机器人学习的语境里，为一个新平台采集训练数据往往要几周到几个月。

现在这件事变成了带一个新员工：不用从头教他什么是螺丝刀，只要演示两百遍"我们这儿的活是这么干的"，他就能上手。

长时程与自我纠错。可以执行持续数分钟、包含数百个决策点的多步任务，理解任务从哪儿开始、到哪儿算完、中间哪些是关键节点，失败了能自己纠正。

自我纠错这一条比它听起来重要。机器人失败不可怕，可怕的是失败之后浑然不觉，继续把后面九十九步走完。能判断"刚才那下没抓住"，才谈得上在真实世界里干活。

交互性。听得懂日常语言，干活过程中能解释自己在想什么，用户随时可以用大白话把它拽回正轨，不需要懂任何术语。

合作伙伴名单里有 Apptronik（Apollo 2 人形）、Boston Dynamics、Agile Robots，另有超过 100 家信任测试者参与部署。

数据说了什么，也没说什么？

这一节需要诚实一点。

官方评测主要盯两件事：真实机器人上的任务成功率，以及安全基准。

任务执行方面，测试平台包括 Apptronik Apollo 2（配 SharpaWave 手或 Inspire 手）和 Franka Duo（配 Robotiq 夹爪）。

平均成功率处于中等偏上，其中全身类任务和夹爪类任务表现较好，多指精细操作依然吃力。不同任务之间差距明显，难度越高掉得越厉害。

适配效率方面已经说过：新形态少于 200 个示例、数小时完成。

安全评测方面，ER 2 在安全约束遵循和人体接近检测两项基准上表现最佳。它能识别附近有人，触发安全相关的工具调用，距离过近时直接停下。

DeepMind 同时推出了新基准 ASIMOV-Agentic，专门评估代理式安全：会不会拒绝不安全的工具调用、能不能预判某个任务根本做不到、在拿不准的时候会不会主动喊人。

这里有个必须点出来的事实：公开博客里的量化描述以定性为主，精确百分比要等技术报告和模型卡。"平均成功率中等偏上"这种说法，翻译过来就是"还没到能当产品卖的程度"。

作为对照，上一代 Gemini Robotics 曾在综合泛化基准上做到超过 2 倍于此前 SOTA 的 VLA 模型的性能提升，ER 系列在空间推理、指点、计数、成功检测等任务上持续领先。这些是有硬数字的部分。

所以，怎么看这份成绩单？

把它当成一份期中考卷比较合适。难度最高的那道大题（多指精细操作）没做出来，但整张卷子的题型比上学期难了一个量级，而且这次考的是闭卷实操，不是模拟器里的仿真。

官方演示里的五个片段

人形全身任务。Apollo 2 执行"把浇水壶放进底层架子的绿色箱子"。它走到桌边，拿起水壶，走到架子前，蹲下，放进去。整个过程串起了行走、平衡、抓取、精确放置四件事，任何一环失手，任务就断了。

清理与协调。人形机器人在杂乱房间里穿行、蹲下、伸手够东西；多台机器人协作把共享任务的时间压下来。

灵巧操作。五指手打绳结、密封拉链袋；夹爪做紧密打包；拧灯泡。拧灯泡这个动作有意思，它需要持续的旋转力矩控制，拧太松掉下来，拧太紧灯泡碎。

设备端适配。在 Dexmate、SO101、Trossen 三个平台上快速适配后执行多样任务，全程本地运行，不连网。

代理式推理。ER 2 做多步规划、跟踪任务进度，并与人类或其他机器人协作。

把这五个片段放一起看，指向的是同一件事：机器人正在从"执行预设脚本的单任务工具"，变成"靠推理临场适应的通用体"。前者的能力上限由工程师写了多少行代码决定，后者的上限由模型理解世界的深度决定。

安全被单独拎出来做了基准

DeepMind 采用了分层安全方法：底层是物理安全措施，上层是 AI 安全框架，包括语义安全、约束遵循、接近检测。相关的安全技术报告已经发布，整体开发遵循 Google AI 原则。

ASIMOV-Agentic 这个新基准值得多看一眼。传统的机器人安全评估问的是"它会不会撞到人"，属于物理层面。代理式安全问的是另一类问题：当一个能自主调用工具、自己拆解任务的机器人拿到一条模糊指令，它会不会做出人类没预期的动作。

三个考察维度，分别是拒绝不安全的工具调用、预测任务可行性、在不确定时请求人类介入。第三条最难也最重要。一个知道自己什么时候该停下来问一句的系统，比一个永远自信的系统安全得多。

谁现在能用上

可用性分三档。

会推理的那一层已经对所有开发者敞开，会动手的那两层还在筛人。这个开放节奏本身就是一种表态：让模型思考的风险可控，让模型控制一台一米八的金属躯体在人群里走动，风险不是一个量级。硬件集成的具体指导，官方博客里有。

蹲下这个动作

回到开头那台机器人蹲下去放水壶的画面。

蹲下之所以难，在于它是一个全身同时参与的动作。膝盖弯，腰随之调整，手臂为了保持重心向前伸，眼睛得盯着箱子，同时脚底压力分布在持续变化。人类做这件事不用想，因为这套协调在婴儿时期就写进了小脑，靠的是几千次摔倒换来的肌肉记忆。

机器人过去做不到，不是因为电机不够强，是因为没人能把这几十个自由度之间的相互影响写成规则。Gemini Robotics 2 的思路是干脆不写规则，让模型自己从数据里长出这套协调感。

它现在还做得不够好。多指精细操作依然是硬骨头，真实世界的鲁棒性还有很长的路。但值得留意的是问题的性质变了。过去的问题是"机器人做不了这类任务"，现在的问题是"机器人做这类任务的成功率是六成还是九成"。

从"不能"到"不够好"，中间那道门已经推开了。剩下的是把成功率一点点往上磨，而这件事，AI 这十年里做过很多次。

DeepMind 说下一步要推进精度、速度和更复杂场景，目标是让机器人与人类并肩解决真实问题，最终实现物理世界里的通用人工智能。

不妨想一个问题。当一台机器能听懂"帮我把桌上收拾一下"，能自己判断哪些该扔哪些该留，能在拿不准的时候回头问你一句，还能在发现自己抓歪了之后重来一遍，我们对它的期待会停在哪儿。

那台蹲下去放水壶的机器人，可能不知道自己完成的是一件了不起的事。但看着它的人知道。