Google Gemini Robotics 2发布，人形机器人控制API开放

Google DeepMind 于 7 月 30 日发布了 Gemini Robotics 2。这是一组由三个模型组成的模型家族，能够控制整个人形机器人，从双脚一直到手指。

该架构将推理（Gemini Robotics ER 2）与运动执行分离，前一层像调用工具一样指挥后一层。

开发者可以通过 Gemini API 和 Google AI Studio 使用 ER 2；运动控制模型则仍然仅向经过筛选的合作伙伴开放。

其设备端版本只需使用几个小时的数据，就能适配一种全新的机器人形态。

你让机器人把洒水壶放进底层架子上的绿色箱子里。究竟由谁来决定，它应该先走到桌边、屈膝，再在正确的位置合拢手指？自 7 月 30 日起，Google DeepMind 给出的答案不再是一个统一模型，而是两个彼此独立的层级。相比随之展示的灵巧操作，这种分层带来的影响会更加深远。

大脑皮层与脊髓

Gemini Robotics 2 包含三个模型。Gemini Robotics ER 2 负责具身推理：这个视觉语言模型能够与人类对话、理解场景，并将一条指令拆解为一系列可能持续数分钟的动作。视觉语言动作模型（VLA）则把机器人看到的内容和接收到的指令转换为运动命令：行走、下蹲、控制一只有五根手指的机械手。第三个变体 Gemini Robotics On-Device 2，则直接在机器人本地完成这种转换。

用神经系统来类比这套架构相当贴切。ER 2 就像负责规划的大脑皮层，VLA 则扮演脊髓并执行动作。Google DeepMind 明确采用了这种分工方式：推理层把运动执行委托给任意底层模型。开发者可以把控制接口和导航 API 声明为工具，然后由“大脑”调用它们，就像调用 Google Search 或自定义函数一样。

边行动边思考

这种双层架构解决了一个非常现实的限制：物理世界不会等你。一个机器人如果每做一个动作都要停下来思考，就无法在厨房或车间中投入使用。因此，ER 2 基于 Gemini Live API 及其双向流式入口运行，以降低响应延迟。模型持续接收视频流、检查当前进度、纠正失败的动作，并在正确的时机触发下一步，不会再出现暴露前几代系统局限的思考停顿。

Google 将 ER 2 与 ER 1.6 在三种配置下的工具编排能力进行了比较：真实的动作模型、模拟模型，以及由人类进行遥操作，也就是远程控制。第三种情况最能说明问题。推理层并不关心执行者究竟是什么：无论是 VLA、模拟环境，还是一双人类的手，在它的计划中都占据着同一个位置。机器人的身体已经变成了一个参数。

硬件成为可调变量

演示进一步强化了这一点。Apptronik 的人形机器人 Apollo 2 接收到一条指令后，便能连续完成行走、屈膝和抓取。同一个软件层还可以打结、拧紧零件，随后让 Apollo 与另一台机器人 Duo 协作整理车库：推理模型负责拆解任务、划分区域，并选择交接任务的时机。在 Boston Dynamics，执行者则变成了 Spot，其导航和操作 API 被声明为工具。

当制造商带来一种全新形态的机器人时，设备端版本只需几个小时的数据便能完成适配。集成新机身的成本因此大幅下降，而价值则集中到了那个始终不需要改变的软件层中。

开放的大脑，封闭的肌肉

访问权限的分配进一步印证了这种层级关系。作为“大脑”的 ER 2 已通过 Gemini API 和 Google AI Studio 向开发者开放，也在 Gemini Enterprise Agent Platform 上提供私有预览版，并在 GitHub 上发布了示例。运动控制模型则仍然掌握在少数经过筛选的合作伙伴手中。竞争对手选择了不同的开放边界：NVIDIA 以开放商业许可发布了其人形机器人模型 GR00T N1.7 的权重，可从 Hugging Face 下载；Figure 则在 2025 年初与 OpenAI 分道扬镳，转而在内部开发自己的视觉语言动作模型 Helix。

对机器人制造商而言，后果非常直接：它可以为负责规划和对话的部分制作原型，但控制“肌肉”的那一层并不属于它，而“大脑”又运行在 Google 手中。一旦失去这一层，人形机器人就会重新变成一台依赖遥操作的机械设备。工业企业已经学会在 cloud 领域追问软件主权问题，如今，同样的问题又出现在那些行走于仓库中的机器身上。

成功率仍然缺席

公开展示的片段都经过了精心挑选。这些任务没有附带任何成功率数据，也没人知道在成功抓起洒水壶之前究竟失败了多少次。已发布的量化对比只涉及与上一版本相比的工具编排能力，而不是人形机器人在易碎物品和人类之间移动时的可靠性。

这些保留意见并不会改变这次发布所确立的趋势。机器人行业正像其他计算领域一样形成分层结构：一边是操作系统，另一边是硬件。人形机器人制造商刚刚得知，自己被安排在了这条分界线的哪一侧。

人形机器人之战不会由关节决定，只生产硬件的厂商其实已经输了。制造商接入 Gemini Robotics 2，可以节省两年的开发时间，却也会失去自己的产品：它组装的只是某种智能的终端，而这种智能由身处别处的其他人负责更新。我会密切关注 Apptronik，因为它最有动力构建自己的推理层，却最缺乏实现这一目标的资源。我也完全不相信运动控制会长期保持封闭：等到 Google 需要锁定整个市场，而不只是筛选参与者的那一天，它自然会开放。

如果要采取进一步行动，你可以考虑屏蔽此人和/或举报其滥用行为。