Google DeepMind ha reso pubblica un’infrastruttura di intelligenza artificiale per la robotica che affronta un problema rimasto irrisolto per anni: il controllo coordinato dell’intero corpo di un robot, non solo della parte superiore utile a compiti da tavolo. Gemini Robotics 2 arriva un anno dopo Gemini Robotics 1.5 e porta con sé tre modelli distinti, ciascuno con un ruolo preciso nella catena percezione-decisione-azione.
La maggior parte dei robot oggi in uso viene pre-programmata o teleguidata per sequenze di compiti ristrette e ripetitive, senza reale capacità di apprendimento autonomo o di adattamento a contesti imprevedibili. Trasferire un’abilità appresa da un corpo robotico a un altro, inoltre, resta un’operazione complessa. È questo il vuoto che Gemini Robotics 2 cerca di colmare.
Un cervello, due mani, tre modelli
Gemini Robotics 2 è il modello vision-language-action (VLA), quello che converte input visivi e linguistici in comandi motori concreti. Controlla umanoidi completi — dai piedi alla punta delle dita — oltre a robot a due bracci, e introduce un livello di manipolazione fine sia con mani antropomorfe sia con pinze meccaniche.
Gemini Robotics ER 2 è il modello di ragionamento incarnato (embodied reasoning, ER): l’agente che permette al robot di comunicare con le persone, interpretare l’ambiente fisico e pianificare compiti articolati su più passaggi, con una durata che può estendersi a diversi minuti. È inoltre il livello che introduce la collaborazione tra più robot.
Gemini Robotics On-Device 2 è la versione più efficiente, progettata per funzionare localmente sul dispositivo robotico, senza connessione di rete. Eredita le tecniche di “motion transfer” già introdotte con Gemini Robotics 1.5 e riesce ad adattarsi a nuovi corpi robotici bi-arm in poche ore di lavoro, tipicamente con meno di 200 esempi di addestramento — anche quando la nuova piattaforma ha forma, sensori e gradi di libertà completamente diversi da quelli di addestramento originario. DeepMind mostra questa capacità su tre piattaforme distinte: Dexmate, SO101 e Trossen.
Un robot che cammina fino allo scaffale e sa dove posare l’oggetto
Fino a oggi i modelli DeepMind gestivano prevalentemente la parte superiore degli umanoidi. Gemini Robotics 2 estende il controllo a camminata, accovacciamento, allungamento e manipolazione in sequenza. Nell’esempio riportato dall’azienda, l’umanoide Apollo 2 di Apptronik riceve l’istruzione di posizionare un annaffiatoio in un contenitore verde su uno scaffale in basso: il robot elabora la richiesta, si sposta fino al tavolo, afferra l’oggetto, cammina fino agli scaffali e lo colloca nel punto indicato. DeepMind precisa che la velocità di movimento resta un’area di miglioramento, ma la definisce comunque un passaggio necessario verso compiti reali che richiedono coordinamento tra tutte le parti del corpo.
I dati di benchmark su “general whole body manipulation” con Apollo 2 e mani Inspire riportano tassi di successo del 68,4% nel prelievo da tavolo, 45,7% da pavimento e 76,3% da scaffale — numeri che indicano margini di miglioramento ancora ampi soprattutto nelle condizioni più scomode dal punto di vista posturale.
Quando le dita contano più del braccio
Sul fronte della manipolazione fine, il modello controlla la mano SharpaWave — cinque dita, 22 gradi di libertà — montata su Apollo 2, riuscendo a completare azioni delicate come annodare un sacchetto della spazzatura o chiudere una busta con zip. Su pinze parallele a due dita, montate sulla piattaforma Franka Duo, gestisce invece operazioni di imballaggio stretto e posizionamento di precisione.
I benchmark pubblicati mostrano un divario netto tra le due modalità. Con la mano a cinque dita: svitare una lampadina raggiunge il 92% di successo, ma avvitarla si ferma al 36%; legare un sacchetto della spazzatura arriva al 44%; l’uso della paletta si ferma al 32%; chiudere una busta con zip al 40%. Con la pinza Franka Duo, invece, i risultati sono più solidi: 74,2% nel prelievo e posizionamento generico, 78,9% nel kitting di utensili diversi, 89,6% negli inserimenti di precisione. DeepMind ammette apertamente che la manipolazione multi-dito resta l’area più impegnativa, mentre i compiti whole-body e quelli con pinza raggiungono già tassi di successo da medi ad alti.
Il “cervello” che pensa mentre il corpo agisce
Il modello di ragionamento ER 2 funge da livello decisionale superiore: osserva l’ambiente, ragiona sui passaggi necessari, coordina il modello VLA per l’esecuzione e verifica l’avanzamento fino al completamento del compito. A livello architetturale, ER 2 delega l’esecuzione motoria a qualsiasi modello vision-language-action di livello inferiore, dichiarato come “strumento” dallo sviluppatore — che si tratti di un’interfaccia di controllo robotico o di un’API di navigazione — mentre può richiamare autonomamente anche altre funzioni, come Google Search o strumenti definiti dall’utente stesso. Questa struttura permette al robot di “pensare” al passo successivo mentre sta ancora eseguendo l’azione corrente, riducendo i tempi morti tra decisione ed esecuzione.
Sul piano dei risultati, ER 2 supera costantemente ER 1.6 nell’orchestrazione di strumenti in tutte e tre le modalità di controllo testate: VLA reale, VLA in simulazione e teleoperazione umana.
Sapere quando un compito è davvero finito
La novità principale di questa versione riguarda due capacità di comprensione temporale.
La classificazione continua del progresso assegna a ogni fotogramma di un flusso video uno tra cinque livelli di completamento (0-20%, 20-40%, 40-60%, 60-80%, 80-100%), permettendo al robot di correggere un’azione o ripetere un singolo passaggio senza riavviare l’intera sequenza. ER 2 raggiunge il 57,4% di accuratezza su questo compito, superando sia la generazione precedente sia i modelli concorrenti di fascia alta.
Il moment-finding di precisione misura invece la capacità di individuare il fotogramma esatto in cui si verifica un evento critico — ad esempio il momento in cui interrompere il versamento di un liquido in una tazza. Qui ER 2 raggiunge il 91,3% di accuratezza con una distanza media assoluta di 0,96 secondi, un risultato comparabile a modelli molto più grandi, ma ottenuto con un costo computazionale ridotto e una velocità di esecuzione quattro volte superiore — un fattore di latenza determinante per l’uso sicuro in ambito fisico.
Sul piano dell’integrazione tecnica, ER 2 si collega alla Gemini Live API tramite un endpoint di streaming bidirezionale ottimizzato per compiti sensibili alla latenza, eliminando le pause “stop-and-think” tipiche di architetture meno reattive. Come dimostrazione pratica, DeepMind ha orchestrato tramite ER 2 le API del robot quadrupede Spot di Boston Dynamics — navigazione e movimento del manipolatore — costruendo un’interazione in cui Spot recupera oggetti su comando vocale naturale.
Quando un robot solo non basta
La collaborazione multi-robot rappresenta l’altra novità centrale: macchine di tipo diverso — ad esempio l’umanoide Apollo 2 e il braccio Franka F3 Duo — comunicano attraverso una comprensione semantica condivisa per completare insieme flussi di lavoro che un singolo robot non potrebbe portare a termine da solo.
Leggere un termometro, un display, una scala: il nuovo occhio di ER 2
ER 2 migliora anche le competenze di base valutate su tre fronti specifici: il rilevamento successo/fallimento, ora eseguito su flussi video continui invece che su singoli fotogrammi statici, per cogliere errori a metà esecuzione come versamenti, scivolamenti o disallineamenti; la lettura di strumenti generalizzata, estesa oltre i quadranti circolari e le spie di livello per includere display digitali, scale lineari, righelli e termometri a liquido, testata su dieci tipologie diverse di strumenti; e il VQA spaziale potenziato, il question answering visivo, migliorato grazie ai progressi generali di Gemini nella comprensione multimodale. Secondo i grafici comparativi diffusi da Google, ER 2 ottiene l’accuratezza più alta su tutte queste dimensioni rispetto alle versioni precedenti e ai modelli concorrenti di riferimento.
Un robot che si ferma da solo se ti avvicini troppo
Con l’ampliamento delle capacità fisiche, DeepMind ha rafforzato in parallelo l’impianto di sicurezza. È stato introdotto ASIMOV-Agentic, un benchmark che misura la capacità del modello di ragionamento di rifiutare chiamate a strumenti non sicure provenienti dal modello VLA, di prevedere se un compito è effettivamente eseguibile e di richiedere in autonomia l’intervento umano in condizioni di incertezza.
ER 2 viene descritto come il modello più sicuro finora prodotto dal team sui benchmark di rispetto dei vincoli di sicurezza e di prossimità umana: riesce a rilevare la presenza di una persona nelle vicinanze, attivare le chiamate agli strumenti di sicurezza e portare il robot a un arresto controllato quando qualcuno si avvicina troppo, riprendendo l’attività solo quando l’area torna libera — un requisito chiave per gli standard di sicurezza collaborativa. I dettagli completi sono raccolti nel rapporto tecnico “Gemini Robotics 2: Safety Technical Report”, pubblicato contestualmente all’annuncio.
Disponibilità e accesso per sviluppatori
Gemini Robotics ER 2 è già accessibile pubblicamente tramite Gemini API, Google AI Studio e, in anteprima privata, sulla Gemini Enterprise Agent Platform. DeepMind ha pubblicato anche esempi pratici su GitHub per configurare il modello e integrarlo in flussi agentici, incluso il codice della demo con Spot.
I modelli VLA e On-Device restano invece riservati ai partner in accesso anticipato, raggiungibili attraverso un modulo di iscrizione al programma trusted tester. Tra i partner citati nei ringraziamenti figurano Apptronik, Boston Dynamics e Agile Robots.
DeepMind colloca Gemini Robotics 2 lungo il percorso verso un’intelligenza artificiale generale applicata al mondo fisico: l’obiettivo dichiarato è superare l’automazione su singolo compito per arrivare a un’intelligenza general-purpose capace di affrontare sfide complesse insieme all’uomo.
