7 月 30 日，Google 更新了 Gemini Robotics 開發者文件，正式開放新一代具身推理模型 Gemini Robotics ER 2 預覽版。與機器人行業常見的釋出會不同，這次升級沒有伴隨聲勢浩大的產品展示，而是悄然出現在 Google AI Studio 及 Gemini API 中，開發者可直接呼叫兩個模型端點：一個面向常規具身推理任務，另一個面向即時音影片流和低延遲機器人智慧體。

這種近乎軟體更新式的釋出方式，透露出 Google 對機器人生意的理解：它沒有急於推出一台屬於自己的通用人形機器人，也沒有將所有能力封裝在某一種本體中。Google 正在做的，是把 Gemini 原本服務於電腦和手機的多模態推理能力延伸到真實世界，再通過 API 接入不同形態的機器人。在手機時代，Google 用 Android 連線應用、晶片和終端；在具身智慧時代，它試圖再次佔據連線模型、本體和工具的中間位置——爭奪機器人的“高層大腦”。

ER 2 的核心升級：從“觀察畫面”到“觀察過程”

ER 是 Embodied Reasoning（具身推理）的縮寫。Google 將 Gemini Robotics 系列大致分為兩層：VLA 模型負責把視覺資訊和指令轉化為機器人動作；ER 模型負責理解環境、拆解任務、呼叫工具，並判斷機器人是否完成了當前步驟。簡單來說，前者解決“手腳怎麼動”，後者解決“接下來該做什麼”。

ER 2 的重要變化，是將這種能力從相對靜態的任務規劃，進一步推向持續執行的執行迴圈。新模型建立在 Gemini 3.5 Flash 之上，新增或強化了影片片段定位、任務進度分類、多機器人協同以及多步驟工具呼叫。它不只需要回答畫面中有什麼，還要從連續影片中判斷某個動作何時開始、執行到哪一步、是否已經成功以及是否需要重試。

在此之前，機器人模型的一項現實問題是規劃與執行容易脫節。模型可以生成一套看起來合理的步驟，但真實世界不會嚴格按照計劃執行：杯子可能滑動，箱子可能被挪走，機械臂也可能在抓取時落空。機器人需要在動作過程中持續觀察結果，再決定繼續、暫停或重新規劃。ER 2 新增的影片進度理解，正是試圖補上這一環。

Google 同時推出了 gemini-robotics-er-2-streaming-preview，通過 Live API 持續接收音訊和影片流，並支援低延遲函式呼叫。相比“拍一張圖片、傳送一次請求、等待一個答案”，流式模型讓機器人能夠保持與環境的連續連線。它未必意味著機器人已經具備人的物理直覺，但至少意味著模型開始從觀察一個畫面，走向觀察一個正在發生的過程。

Google 的開放做法：不做本體，做中介軟體

儘管被稱作機器人的“大腦”，ER 2 並不是一套完整的機器人控制模型。根據 Google 公開的模型資訊，ER 2 接收文本、影像、影片和音訊，輸出仍然是文本。它可以給出物體座標、邊界框、任務步驟和工具呼叫指令，卻不會直接輸出電機控制訊號。開發者仍需要將其與 VLA 模型、抓取模型、運動控制器以及機器人自身的硬體介面連線起來。

這一區別很重要。Google 沒有試圖用一個端到端模型包辦機器人從理解到執行的全部環節。它更接近在不同能力之間建立一層排程系統：上接語言和視覺模型，下接機械臂、感測器、控制演算法以及企業自定義的軟體工具。例如，當 ER 2 收到“把蘋果放進碗裡”的指令，它可以將任務拆解為定位蘋果、確認碗的位置、呼叫抓取介面、執行放置以及判斷任務是否完成。真正控制機械臂運動的，仍然可以是機器人廠商自己的模型。

這種架構給 Google 留下了更大的進入空間。機器人行業仍缺少統一硬體形態——人形機器人、輪式雙臂機器人、工業機械臂和四足機器人，對動作模型和控制系統的需求差異明顯。若押注某一種本體，模型能夠覆蓋的市場也會受到限制。高層推理和任務排程卻具有更強的通用性。Google DeepMind 公開展示的 Gemini Robotics 能力，已覆蓋 ALOHA 雙臂平台、Franka 機械臂以及 Apptronik Apollo 人形機器人。官方對產品的表述也是面向“不同形狀和尺寸”的機器人，而非只服務於人形本體。

多機器人協同與商業落地場景

ER 2 還首次突出多機器人協同能力。在單台機器人中，模型需要決定一條機械臂下一步如何工作；進入倉庫、工廠和商業空間後，任務往往需要由多種裝置共同完成：一台移動機器人負責運輸，一台機械臂負責裝卸，固定攝像頭提供環境資訊，另一台裝置負責掃描或質檢。機器人之間不僅要完成各自動作，還需要理解整個任務的進度、前後依賴和異常狀態。

傳統自動化系統可以依靠預設流程完成穩定任務，但一旦訂單、物料或環境發生變化，企業通常需要重新編寫規則。ER 2 試圖把自然語言理解、視覺判斷和工具呼叫放在同一層中，讓模型成為多台機器人之間的動態排程者。Google 把這項能力稱為“機器人智慧體編排”，即模型可以呼叫 VLA、機器人函式和其他工具，完成更長週期的任務。

這一步的商業價值，可能比讓人形機器人完成某個炫目的單項動作更直接。今天已經進入工廠和倉庫的大量裝置，並不缺少穩定執行單一動作的能力。真正制約自動化進一步擴充套件的，是裝置之間難以靈活協同，系統無法低成本處理頻繁變化的任務。如果大模型能夠把自然語言任務轉化為多裝置可執行的流程，機器人部署的邊界可能由“固定工位”向更開放的場景延伸。

侷限與挑戰：預覽階段的現實約束

Google 自己也沒有掩飾當前模型的侷限。官方開發文件提示，複雜請求、高解析度輸入和更高的推理等級會增加延遲；模型可能產生幻覺；空間輸出會受到光照、對比度和提示詞質量影響。對於高精度任務，Google 甚至建議開發者多次呼叫模型並對結果取平均值。這些限制在聊天機器人中可能只是回答錯誤，進入物理世界後卻可能變成碰撞、物品損壞甚至人員風險。

ER 2 目前仍處於預覽階段。Google 尚未公開足夠完整的 ER 2 基準測試，也沒有披露其在真實商業場景中的長期執行資料。它在連續工作數小時、面對陌生環境和處理複雜異常時能否保持穩定，還需要機器人企業驗證。

流式影片和音訊接入還帶來了新的資料問題。機器人在工廠、商場和家庭中執行時，可能持續採集人的聲音、面部和行為資訊。Google 已經在開發者條款中明確要求，當機器人可能採集可識別的個人資料時，運營方需要提前告知並獲得相關人員同意，同時儘量減少資料採集。這意味著，機器人“大腦”接入雲端模型並不是單純的技術選擇，還涉及資料邊界、部署成本和企業對核心系統的控制權。在工廠等敏感場景中，客戶是否願意讓生產影片和任務資料持續進入外部模型，將直接影響 ER 2 的商業化速度。

對中國機器人行業的影響：全棧自研敘事面臨檢驗

過去兩年，中國具身智慧企業普遍強調全棧自研——從本體、關節、靈巧手到世界模型和 VLA，擁有完整技術鏈條被視為企業估值的重要支撐。Google 將 ER 能力以 API 形式開放後，這套敘事會面臨新的檢驗。當通用的空間理解、任務拆解、影片進度判斷和工具呼叫能力可以外購，機器人企業是否仍有必要從頭訓練一套相似模型？

答案取決於企業真正擁有的壁壘。對於缺少模型團隊的本體廠商，呼叫 Google 等公司的基礎模型，可以降低進入智慧機器人市場的門檻；對於擁有場景資料和客戶資源的企業，通用模型也可能幫助它們更快完成產品驗證。但外部模型不會消除機器人企業的價值：ER 2 能夠判斷“應該拿起哪個物體”，卻不直接解決機械臂能否穩定抓住；它可以生成任務計劃，卻無法替代企業對負載、速度、功耗和安全邊界的工程理解；它能夠接收工廠影片，也不會天然掌握某條產線多年積累的工藝資料。

隨著基礎模型能力逐步成為公共供給，機器人企業需要重新回答一個問題：自己究竟在模型、本體、資料和場景中掌握了哪一項不可替代的能力。對中國企業而言，製造業場景和真實執行資料仍是重要籌碼。大量機器人進入工廠、物流、零售和城市服務後，企業能夠獲得 Google 難以從網際網路直接獲取的物理互動資料。模型開放不會讓所有企業站在同一起跑線上，只會讓單純擁有一個“自研模型”名稱變得不再稀缺。

Google 的機器人戰略：爭奪物理世界的軟體入口

從搜尋、手機到生成式 AI，Google 長期爭奪的都是人與計算系統之間的入口。機器人提供了一個新的介面。當計算從螢幕走向真實空間，使用者不再通過點選圖示呼叫服務，而是直接說出一個目標，由機器人觀察環境、理解意圖並完成任務。誰掌握這層理解和排程能力，誰就可能影響未來機器人如何連線搜尋、地圖、雲服務和其他數字工具。

Gemini Robotics ER 2 已經支援 Google 搜尋、函式呼叫、程式碼執行等能力。機器人由此不再只是執行預先寫好的程式，它可以先查詢資訊，再結合現場環境制定行動方案。Google 真正想連線的，可能並非某一台機器人，而是數字世界和物理世界之間的呼叫鏈。

從目前的能力看，ER 2 距離通用機器人“大腦”仍有明顯距離。它沒有直接解決機器人最困難的精細操作、即時控制和安全執行問題，也尚未證明能夠在真實場景中長期可靠工作。但它已經給出了 Google 的選擇：與其加入本體公司的產能競賽，Google 更願意站在本體之上，為不同機器人提供觀察、判斷和排程能力。一旦這種分工成立，機器人企業負責製造身體，Google 則試圖決定身體如何理解世界。

在智慧手機時代，Android 讓 Google 沒有親自生產每一部手機，也能進入數十億台終端。進入物理智慧時代，Google 希望複製的未必是 Android 的產品形態，而是那套熟悉的商業位置：不包辦所有硬體，卻掌握最重要的軟體入口。