一句话看懂：Google DeepMind 于 7 月 31 日发布新一代视觉-语言-动作（VLA）模型 Gemini Robotics 2，旨在为不同形态的机器人提供统一“智能层”；同期推出的 Gemini Robotics ER 2 则负责高层级的具身推理，两者配合构成了从感知、决策到动作执行的完整链路。值得关注的是，该模型已开放开发者早期申请，这意味着前沿机器人 AI 正从实验室走向实际应用验证阶段。
事件核心：发生了什么
Google DeepMind 宣布推出 Gemini Robotics 2，这是其目前最先进的视觉-语言-动作（VLA）模型。VLA 模型的核心特点是结合了图像识别、语言理解和动作控制能力，使机器人能够在物理环境中执行任务。据官方介绍，该模型可覆盖从桌面机械臂到全身人形机器人的多种形态，并具备全身运动控制、精细操作以及多机器人协同调度的能力。
同时发布的还有 Gemini Robotics ER 2，一款面向“具身推理”（embodied reasoning）的模型。具身推理指的是机器人理解物理世界并据此决定下一步动作的能力，ER 2 在其中充当高层级控制系统。该模型取代了今年 4 月发布的 Gemini Robotics ER 1.6，目前已在 Google AI Studio 平台上提供。开发者可通过官方 waitlist 申请 Gemini Robotics 2 的早期访问权限，但截至目前，该模型的开放时间和定价区间等关键商业细节尚未公布。
为什么重要
这次发布的意义在于，Google DeepMind 试图用一套模型体系同时解决机器人领域的两个关键问题：底层动作执行的通用性和上层任务规划的灵活性。过去，机器人控制方案往往针对特定硬件深度定制，换一种机械结构、换一个应用场景就需要重新开发。Gemini Robotics 2 将不同形态的机器人统一到一个 VLA 模型框架下，理论上降低了“模型换硬件”的迁移成本。
另一个值得注意的信号是模型分层思路：Gemini Robotics 2 负责从视觉和语言输入直接生成动作，而 Gemini Robotics ER 2 专门负责更偏认知层面的物理世界理解与决策规划。这种“推理层 + 执行层”的架构，与单纯强调端到端控制的路线形成了对比，也给开发者留出了更多集成与调试空间。
在同一天发布两个定位不同的模型，也反映出 Google DeepMind 希望在机器人 AI 领域建立一个相对完整的技术栈，而不只是在单点能力上与竞争对手比拼参数或演示效果。
对用户/开发者/创作者的影响
对开发者而言，最直接的变化是有了一个可申请的通用机器人控制模型接口。申请到早期访问后，团队可以用同一套模型驱动不同机器人硬件，减少重复开发底层控制逻辑的工作量。Gemini Robotics 2 采用 waitlist 机制而非完全开放下载，推测 Google 希望先在小范围场景中验证模型的稳定性和泛化能力，尤其关注真实物理环境中的表现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于不直接接触硬件的普通用户来说，短期影响主要体现在服务型机器人场景的体验改善上——比如更自然的指令理解、更灵活的操作执行。但这些能力要转化为人形机器人或家庭机器人产品，还需要硬件厂商、系统集成商与模型提供商共同推进。
需要注意的是，官方目前只给出了能力描述，尚未公布训练数据规模、推理所需的算力配置、API 调用成本等关键指标。对于考虑商业化落地的团队，这些因素将直接影响模型的实际可用性。
值得关注的后续
以下是三个可以持续追踪的观察点：
首先，Gemini Robotics 2 是否真的具备跨形态泛化能力。当前演示多集中在可控环境中，真实场景下的稳定性、失败恢复能力和多机器人协同效率，需要等更多开发者的实际测试结果来验证。
其次，硬件厂商的态度与适配进度。开源社区和机器人公司是否会围绕这套模型建立新的生态，还是继续采用各自独立的控制方案，将决定 Gemini Robotics 2 在行业中的实际渗透速度。
最后，商业化路径和定价策略。Google AI Studio 已上线 Gemini Robotics ER 2，而旗舰的 Gemini Robotics 2 仍停留在 waitlist 阶段。后续是否会采用 API 按调用量计费，或与特定硬件厂商深度绑定，值得保持关注。
