谷歌最强具身推理模型 Gemini Robotics ER 2 发布：机器人拥有「高级大脑」，支持多机协作与实时纠错

2026年7月30日，谷歌DeepMind发布博文，宣布推出Gemini Robotics ER 2模型——面向机器人的最强具身推理（embodied reasoning）模型。该模型定位为机器人的"高级大脑"，负责协调与人类交流、理解物理世界并规划多步骤任务，随后向更低层级的视觉-语言-动作（VLA）模型分派具体执行指令。

从静态规划到连续执行：ER 2的核心突破

相比前代ER 1.6，ER 2建立在Gemini 3.5 Flash之上，新增四大核心能力：视频片段定位、任务进度分类、多机器人协同以及多步骤工具调用。最关键的突破在于，ER 2可以持续观看视频流，实时追踪机器人自身的任务进度——在动作出错时自动调整或重试，并准确判断何时进入下一步。这一能力使机器人无需重启整个工作流即可修正失败步骤。

在任务进度分类测试中，ER 2准确率达57.4%。在关键时刻定位（moment-finding）测试中——例如判断何时停止向杯中倒咖啡——ER 2准确率高达91.3%，平均绝对时间误差仅0.96秒。

计算效率与实时性能的重大提升

谷歌称，ER 2以更低计算成本达到接近更大模型类别的精度，执行速度是前代的4倍，满足现实机器人安全运行所需的亚秒级延迟要求。模型接入Gemini Live API的双向流式端点，可在机器人执行任务的同时推理后续步骤，大幅减少传统机器人"停止—思考—再行动"的停顿时间。模型还可原生调用Google Search或开发者自定义函数，为机器人提供实时信息检索能力。

多机器人协作：共享语义理解下的协同作业

ER 2支持多机器人协作。不同类型的机器人（如Apptronik的Apollo 2与Franka的FR3 Duo）可借助共享语义理解来沟通、交接任务，完成单台设备难以独立完成的复杂工作流。这种跨本体的协同能力，为仓储物流、智能制造等场景打开了新的想象空间。

开放战略：争夺具身智能时代的"高层大脑"标准

Gemini Robotics ER 2现已通过Gemini API和Google AI Studio面向开发者公开提供，同时在Gemini Enterprise Agent Platform开启私密预览。谷歌同步发布了模型配置和提示词示例代码。这一近乎软件更新式的发布方式，透露出谷歌对机器人生意的战略定位：不急于推出通用人形机器人，而是将Gemini的多模态推理能力延伸到真实世界，通过API接入不同形态的机器人。

在手机时代，谷歌用Android连接应用、芯片和终端；在具身智能时代，它试图再次占据连接模型、本体和工具的中间位置。这一次，它争夺的是机器人的"高层大脑"。

随着ER 2的发布，具身推理从实验室研究加速迈向工程落地，机器人在复杂物理环境中的自主决策能力迎来质的飞跃。开发者可立即在Google AI Studio中调用两个模型端点：一个面向常规具身推理任务，另一个面向实时音视频流和低延迟机器人智能体。