Google DeepMind 于 2026 年 7 月 30 日公布 Gemini Robotics 2，将机器人研究从「看懂影像和回答问题」进一步推向整个身体的感知、规划和动作控制。这次不是单一模型，而是一组按照机器人形态、任务规划和运行位置分工的模型，反映具身 AI 正逐渐采用类似 agent system 的分层架构。
第一个是 Gemini Robotics 2 VLA（vision-language-action），用于控制完整人形机器人和双臂机器人，并处理需要手部灵巧度的动作。第二个是 Robotics-ER 2，属于视觉语言模型及 agent，负责多步任务规划、工具调用和多机器人协作。第三个是 Robotics On-Device 2，将 VLA 放在设备本身运行，以降低延迟和对云端连接的依赖。
Google 对 On-Device 2 的描述是，新的机器人形态可以在数小时内完成适应，通常只需要少于 200 个示范例子。这个数字是官方产品描述，实际效果仍取决于机器人的传感器、关节、抓取器、控制频率、示范质量和安全限制。把模型放到本地也不代表所有推理或更新流程都不需要云端。
Robotics-ER 2 的角色更接近一个具身 agent：它可以理解环境、把任务拆成多个步骤、调用工具，并协调不同机器人。Google 表示 ER 2 可在 Google AI Studio 使用，也在 Gemini Enterprise Agent Platform 进行 private preview；VLA 和 On-Device 2 则先向早期合作伙伴开放。这些 availability 状态应按帐户、地区及合作伙伴资格理解，不能当作普遍公开产品。
这次发布也直接指出具身智能的难点仍然存在。Google 特别提到多指灵巧操作仍然很具挑战，意味着「模型能够描述一个动作」与「机器人能在真实环境可靠完成动作」之间仍有很大距离。地面摩擦、物件变形、遮挡、碰撞、电量和人机共处，都不是只靠语言模型就能消除的问题。
对机器人团队来说，这种三层模型设计提供一个清楚的工程思路：高层 ER 2 可以处理任务理解和协作，中层 VLA 负责视觉到动作的控制，而 On-Device 2 则处理需要低延迟的本地反应。但是，实际系统仍要在模型之外加入 deterministic constraints、急停、人工接管、权限边界和可重复的测试场景，否则 agent 的灵活性可能变成不可预测的行为。
Google 也为 Gemini Robotics 2 提供安全框架和安全报告，但安全文件的范围不应被理解为任何实体机器人的认证。部署前仍需要针对实际硬件做碰撞、负载、失效、通信中断和人员安全验证，并保留由人直接停止或接管的路径。具身 AI 的安全，最终是模型、控制器、硬件和现场流程共同构成的系统问题。
这次更新的主要信号，是 Google 正把 Gemini 的 agent 能力延伸到需要身体行动的环境，而不是只在数字界面中执行工具。对企业来说，值得先验证的并非「机器人是否像人」，而是某个明确任务能否在限制条件下稳定完成：成功率、重试率、延迟、能耗、人工接管次数和安全事件，会比一次演示更能说明部署价值。
