谷歌发布 Gemini Robotics 2：首个人形机器人全身控制模型
谷歌最新发布的视觉 - 语言 - 动作模型 Gemini Robotics 2（GR2），已实现让人形机器人完成行走、蹲下取物及精细手部操作等复杂任务。这是谷歌首个利用同一组权重同时驱动腿部与手部的机器人模型，显著简化了训练流程与系统设计。
核心亮点：GR2 能将相机图像与文本指令转化为机器人关节控制命令。不同于早期仅驱动上半身的模型，GR2 可协同控制人形机器人的腿、躯干、手臂及手部。其单一训练权重即可适配三种不同的机器配置，涵盖两种机器人本体。
✴ 输入输出：输入为相机图像和文本指令，输出为关节命令；支持 22 自由度五指手（Sharpa/Inspire）及双指夹爪（Robotiq）。
✴ 多本体适配：单检查点可运行于 Apptronik Apollo 2（配 Sharpa 或 Inspire 手）及 Franka Duo 双臂系统（配 Robotiq 夹爪）。
✴ 性能表现：全身拾取成功率 45.7%-76.3%，多指任务 32%-92%，夹爪任务 74.2%-89.6%。
✴ 可用性：仅限早期访问合作伙伴，暂无公开 API。
✴ 信息披露：谷歌未发布模型卡，参数量、训练数据构成及定价等细节暂未公开。
工作原理与技术架构
双模型协同：GR2 与独立推理模型 Gemini Robotics ER 2 配对使用。ER 2 负责任务拆解与步骤规划，逐个调用 GR2 执行具体动作。由于缺乏技术论文，目前主要依据官方安全报告与公告。
✴ 训练方式：结合遥操作（远程人工操控记录）、视频示例与仿真数据进行训练。
✴ 运动迁移技术：沿用 Gemini Robotics 1.5 引入的运动迁移能力，利用跨形态、跨传感器及不同关节数量的数据训练单一模型，实现数据在不同机器配置间的通用学习。
实测性能数据
谷歌在自定义任务与硬件上完成了内部评测，尚未有第三方测试结果。基线对比显示，2025 年 3 月发布的首个机器人模型在类似任务中平均得分为 63%。
✴ 全身拾取（Apollo 2 + Inspire 手）：利用腿部辅助，从架子、桌面、地面拾取的成功率分别为 76.3%、68.4% 和 45.7%。
✴ 精细操作（Apollo 2 + Sharpa 手）：系垃圾袋成功率 44%，封合拉链袋 40%，用簸箕清扫 32%。
✴ 双臂任务（Franka 机器人）：精确插入、工具配套及通用抓取放置的平均成功率分别为 89.6%、78.9% 和 74.2%。
✴ 推理判断（ER 2 模型）：在获知详细训练摘要时，对任务物理可行性的判断正确率达 95.8%；若无摘要，正确率仅为 62.0%。
✴ 安全基准（ASIMOV-Agentic）：测试表明，现有系统难以兼顾“发现动态危险”与“避免无意义停止”。若将误停率控制在 5% 以下，漏报人体靠近的风险将超过 40%。谷歌建议模型需与传统物理安全设备配合使用。
典型案例：拧灯泡任务的挑战
测试数据显示，看似简单的反向操作在机器人领域极具挑战。拧下灯泡（从稳定状态开始）成功率高达 92%，而拧入灯泡（需先对齐再抓握旋转）成功率仅为 36%。
行业意义与展望
生态更新：此次发布同步更新了推理模型 ER 2 及端侧模型 Gemini Robotics On-Device 2。后者支持离线运行，并能在数小时内利用少于 200 个示例适配陌生的双臂本体。
突破瓶颈：传统机器人模型往往受限于特定任务、机器与环境，变量变更即需重新训练。GR2 致力于构建类似 Transformer 语言模型的通用性，通过更通用的数据学习，实现知识在不同手部类型、关节数量及任务间的有效迁移，解决机器人运动数据语料库规模不足的难题。
编者观察：按目前 36% 的拧入灯泡成功率计算，完成该任务平均可能需要近三台机器人协同或重试，反映出精细操作仍是当前具身智能的攻坚方向。