Google 30日宣布推出全新机器人AI模型 Gemini Robotics ER 2，这是目前Google最先进的“具身推理（Embodied Reasoning）”模型，可视为机器人的“高阶大脑”，相较前一代 Gemini Robotics ER 1.6，新版本最大的突破在于加入连续影片理解（Video Understanding）、任务进度追踪、工具调度（Tool Orchestration）以及多机器人协作能力等。

Google指出，若要让机器人在真实世界中协助人类，光具备精准的空间推理能力仍然不够，更大的挑战在于，机器人能否即时理解现场状况、判断下一步该采取什么行动，并在执行任务的过程中，根据环境变化随时调整策略。

因此，Gemini Robotics ER 2被定位为机器人的“高阶大脑”，主要负责与人类对话、理解周遭物理环境、规划多步骤任务，并可呼叫Google Search等工具取得资讯，或串接开发者自订的函式与API。完成任务规划后，再将实际动作交由底层的视觉－语言－动作模型（Vision-Language-Action，VLA）执行。

Google表示，这让机器人真正具备“即时情境感知”能力，例如能判断灯泡是否已锁紧、垃圾袋是否绑好，或咖啡是否已倒至适当容量，只有在确认任务完成后，才会继续下一步。

为了更精准掌握工作进度，Gemini Robotics ER 2新增进度分类功能，可将影片中的每一个画面依任务完成程度分为0至20%、20至40%、40至60%、60至80%及80至100%等阶段，借此判断工作进行到哪里、是否偏离流程，以及是否需要采取补救措施。官方测试显示，Gemini Robotics ER 2在进度分类任务中的准确率约57.4%，优于前一代模型。

Google宣布推出全新机器人AI模型Gemini Robotics ER 2，被定位为机器人的“高阶大脑”。（截自官方部落格）

另一项重要升级则是关键时刻辨识（Moment Finding），可找出影片中任务完成的关键时间点，例如判断咖啡何时倒至适当容量、灯泡何时完全锁紧等。Google表示，新模型在这项测试中的准确率达 91.3%，平均时间误差仅 0.96 秒；相较同级大型模型，在维持高准确率的同时，推论速度约快 4 倍，且运算成本更低。

Google此次也正式加入多机器人协作功能。官方指出，不同类型的机器人各有所长，例如：轮式机器人擅长室内导航，人形机器人则更适合跨越崎岖地形，Gemini Robotics ER 2可让不同机器人共享语意理解能力，彼此分工、交接任务，共同完成单一机器人无法独立处理的复杂工作流程。

Google也展示与波士顿动力（Boston Dynamics）的合作成果，透过Gemini Robotics ER 2整合Spot四足机器人的导航API与机械手臂控制能力，使用者只需以自然语言下达“帮我拿爆米花”等指令，Spot便能自主导航、寻找目标物并完成取物。Google也同步于GitHub公开相关范例程式，供开发者参考与应用。

此外，Gemini Robotics ER 2也全面提升空间理解能力，涵盖三大核心功能。首先，在成功／失败侦测（Success / Failure Detection）方面，Gemini Robotics ER 2 现在可直接分析原始影片串流，而非仅依赖静态影像，因此能在任务执行过程中即时侦测液体洒出、物品滑落、对位偏移等失败情况。

其次，在仪器读值（General Instrument Reading）方面，已从过去主要支援类比仪表，扩展至可辨识10种不同类型的仪器，包括数位显示器、直尺、线性刻度及液体温度计等，可因应更多工业场域的检测需求。

最后，在视觉问答方面，受惠于Gemini多模态理解能力的提升，机器人能更准确理解复杂的视觉资讯，并回答与空间环境相关的问题。

在安全性方面，Google表示，Gemini Robotics ER 2在人员接近侦测及安全指令遵循两项测试中，表现均优于前一代模型。举例来说，当有人靠近机器人时，系统能自动停止作业、持续监测周遭环境，并在确认人员离开后自主恢复工作。

Google同时推出全新的安全评估基准，检验AI是否具备执行安全限制、持续监控环境、判断动作是否符合物理可行性，以及在必要时主动向人类寻求确认等能力，进一步提升未来具身AI（Embodied AI）的安全性。

Google表示，Gemini Robotics ER 2已透过Gemini API（可于 Google AI Studio 使用）开放开发者；企业版则以 Private Preview 形式于 Gemini Enterprise Agent Platform提供。