谷歌DeepMind让机器人从脚管到指尖，人形机器人终于学会弯腰干活

谷歌DeepMind刚刚放出了Gemini Robotics 2，官方那句宣传语挺直白的——从脚到指尖，整个人形机器人都归这个模型管。听起来像是常规的版本号迭代，但对做机器人的人来说，这一步跨得不算小。

上一代只管上半身，这一代整个身体都能动

如果你关注过去年那版 Gemini Robotics，会记得它的活动范围基本被框在腰部以上：机械臂能抓、能放、能拧，但机器人自己是站着不动的，得靠人把东西摆到它够得着的地方。这在实验室里没问题，放到真实的仓库、车间或者家里，就非常尴尬——现实世界的东西不会都摆在同一个高度。

Gemini Robotics 2 支持的是”全身动作”。走路、下蹲、伸展、够高处，再加上手上的操作，这些动作现在被同一个模型统一调度。谷歌放出的演示视频里，Apptronik 的 Apollo 2 弯下腰把地上的浇水壶捡起来，也能在货架前找到指定物品并取下来。动作看着还是有点慢，DeepMind 自己也承认”在移动速度上还有提升空间”，但它把这次更新定义为迈向复杂真实任务的关键一步，因为那些任务几乎都需要全身协同。

让机器人从”上半身智能”变成”全身智能”，本质上是把移动和操作这两件一直分开做的事，塞进了同一个决策回路里。

五根手指，能封保鲜袋、拧灯泡

手上的进步同样值得看。新模型可以驱动结构更复杂的五指手，官方举的例子很生活化：封上一个 Ziploc 保鲜袋、给垃圾袋打结、把灯泡从灯座上拧下来。这些动作对人来说毫不费力，但对机器人是典型的高难度题——需要力度控制、需要柔性接触、需要在看不清的角度靠触感调整。能把这几件事跑通，说明手部控制的精度确实上了一个台阶。

它开始知道任务什么时候算干完了

另一条更新线是 Gemini Robotics ER，也就是负责”具身推理”的那个视觉语言模型。它的职责是让机器人看懂周围环境、理解人给的指令、把一句话拆成多步操作。ER 2 的改进集中在长时间任务上，而且用了一句挺有意思的描述：它现在明白任务什么时候开始、什么时候结束。

别小看这句话。很多机器人演示之所以只能做十几秒的片段，就是因为模型缺少任务边界感——不知道自己干到哪一步了，也不知道什么条件下算完成。有了这个判断，机器人才可能连续做完”把工具收进箱子”这类需要几分钟的活。

不同型号的机器人开始互相指挥

还有个场景挺有画面感：在一段演示里，Apollo 2 指挥谷歌自家的双臂机器人把工具放进箱子，两台完全不同形态的机器一起收拾车库。多机协作过去往往要靠中央调度系统写死流程，现在被放进了模型的能力范畴里。

安全方面，DeepMind 称 ER 2 是它迄今最安全的机器人模型：能更准确地察觉附近有人，触发安全工具调用，有人靠得太近时把机器人停在安全状态。人形机器人真要进家庭和工厂，这块的分量不比灵巧度轻。

此外，可以在机器人本地离线跑的 On-Device 版本也一并做了升级，这对网络不稳定或者对延迟敏感的场景是实打实的需求。

几个关键点

• Gemini Robotics 2 从上半身控制扩展到全身动作，能走、能蹲、能伸展
• 支持五指灵巧手，可完成封袋、打结、拧灯泡这类精细操作
• Gemini Robotics ER 2 强化长时任务能力，理解任务的起点和终点
• 支持不同型号机器人协同作业，一台可指挥另一台
• 安全能力升级，可检测人员靠近并触发停止；本地离线模型同步更新

把这几条摆在一起看，谷歌想做的其实是机器人领域的”通用底座”——一个模型管调度、管移动、管手指、管安全，不同厂商的硬件都能接。硬件公司负责造身体，DeepMind 负责造大脑，Apptronik 这样的合作方就是第一批试验田。至于速度慢这个短板，多半是下一代要交的作业。