Gemini Robotics ER 2（Gemini Robotics ER 2：影片理解、任務編排與多機器人協作）

來源： Google DeepMind 原文日期： 2026-07-30

中文摘要

Google DeepMind 發布 Gemini Robotics ER 2，定位為機器人的「高階大腦」（embodied reasoning 模型）：即時空間推理、多步驟任務規劃、多機器人協作，並把馬達執行動作交給底層 vision-language-action (VLA) 模型。相較前代 ER 1.6 的關鍵升級：透過連續影片串流追蹤自身進度、出錯即時自適應修正、知道何時該切換下一步；並新增多機器人協作（不同機器人透過共享語意理解交接任務，如 Apptronik Apollo 2 與 Franka F3 Duo 合作）。技術亮點：進度分類（progress classification）57.4% 準確率、關鍵時刻定位（moment-finding）91.3% 準確率且延遲僅 0.96 秒（為真實世界安全操作所需的亞秒級延遲）；與 Gemini Live API 雙向串流整合，消除「停頓思考」的僵硬感；並強調安全——在 Safety Instruction Following 與 Human Proximity 基準上表現最佳（有人靠近時會暫停、人離開後自動復工）。模型已透過 Gemini API、AI Studio 公開，Gemini Enterprise Agent Platform 提供私人預覽。

關鍵洞察

「任務何時完成」是機器人最難的問題：影片理解 + 進度分類讓機器人能驗證任務是否完成到規格，再切換下一步——這是實體 agent 化的關鍵突破。

多機器人協作進入產品化：異質機器人（輪式/人形/機械臂）透過共享語意理解分工，單一機器人做不到的複雜流程成為可能。

亞秒級延遲是實體 AI 的安全前提：moment-finding 以遠小於大模型的算力成本達到 4 倍執行速度，正是物理世界操作需要的。

安全設計內建：人體接近偵測、安全約束遵循、尋求人類澄清——並發布安全技術報告與新基準。

對企業的意義：實體工作（倉儲、製造、服務）自動化的技術棧正在成形（LLM 大腦 + VLA 執行 + 雲端 API）。

原文關鍵句（英文保留）

> "Gemini Robotics ER 2 represents a step change in powering robots with video understanding, task orchestration, and multi-robot collaboration — making it possible for robots to be more helpful in the physical world."

對 CJ 哥的價值

前瞻訊號：實體 AI／機器人自動化趨勢監控——企業若涉足製造、物流、服務業自動化，這是重要技術里程碑。

可與 MIT「FTC 禁止外國人形機器人」文章對照閱讀，形成「實體 AI 技術 vs 政策」的完整圖像。

內容生產：機器人 + LLM 結合趨勢的中文解讀素材。