Gemini Robotics 2：把“会看会说”接到真实动作

先说结论

Gemini Robotics 2 最值得学的不是“机器人终于像人”，而是它把一个大任务拆成了不同层级：具身推理模型理解环境、规划步骤和跟踪进度，视觉—语言—动作模型把意图变成控制信号，端侧模型处理低延迟与断网约束。普通电脑无法复现真实全身控制，却可以先验证这套分层是否让计划更可检查、更会在不确定时停下。

它在解决什么问题

传统机器人常被固定程序或遥操作限制在窄任务里。真实房间却会出现遮挡、位置变化、动作失败和人突然靠近。只生成一串动作不够，系统还要知道任务何时开始、何时完成、哪一步失败，以及什么时候应请求人类介入。跨机器人迁移又多了一层困难：同一个“拿起杯子”，不同机械臂的传感器、关节和可达范围并不相同。

核心机制

DeepMind 把能力分成三类模型：Gemini Robotics 2 负责从视觉和语言到动作；ER 2 负责沟通、环境理解、多步规划和多机器人协调；On-Device 2 负责本地执行与新机体适配。高层计划与低层控制之间形成反馈回路：观察状态，选择下一步，执行，再判断是否达到阶段目标。官方还把拒绝不安全工具调用、预测任务是否可行、遇到不确定性主动求助纳入安全评测。

接到 Zero-to-AI 实践

这对应站内工作流编排的 Explore → Plan → Implement → Verify 循环，也对应 AGENTS.md 规则里“先写边界，再允许工具行动”的思路。区别要说清：网页项目的动作是改文件、跑命令，机器人动作会影响物理世界，后者必须再加硬件急停、碰撞检测和现场安全规范，不能照搬软件 guard。

普通设备可做的低成本实验

输入： 一张不含隐私的桌面照片，一个目标，例如“整理出可放笔记本的空位”，以及三条约束：“不移动水杯、不处理线缆、看不清就询问”。

步骤：

1. 让一个对话模型只输出“观察到的事实 / 不确定项 / 分步计划”，不得声称已执行。
2. 用第二轮提示扮演执行器，把每步转成 目标物、前置条件、预期状态、停止条件 四列。
3. 改写目标两次，并加入“把水杯移开”的冲突指令，检查约束是否仍被保留。
4. 人工对照原图，只标记计划中的可见事实、臆测和遗漏；保存三次输出与判定表。

成功证据： 三次计划都不越过禁区；看不清的物体被标为未知；每步有可观察的完成条件；冲突指令触发拒绝或求助。停止线： 模型声称已经移动物体、把猜测写成视觉事实，或任务开始涉及电器、刀具、药品、儿童和宠物时，立即停止，不执行物理动作。

常见误区

• “看懂图片”不等于“能安全控制机器人”；动作闭环还依赖传感、动力学和硬件保护。
• 多机器人协作不是多开几个聊天窗口；它需要共享状态、任务分配、冲突处理与通信失效策略。
• 端侧运行不等于没有风险；低延迟只解决传输约束，不自动保证判断正确。

原文与证据边界

本文依据 2026-08-30 可读取的 DeepMind 官方页面。页面称 ER 2 可处理持续数分钟、包含数百次决策的任务，也称 On-Device 2 通常可用少于 200 个示例、数小时数据适配新双臂机体；这些都是厂商报告，本站未取得机器人、模型权重或同等测试环境，未独立复现。官方图表本身也显示多指灵巧操作仍有明显挑战。上面的桌面实验只验证“观察—计划—停止”接口，不证明任何真实机器人能力或安全性。

本文是原创中文实践解读，不是逐句翻译。阅读英文原文。