Gemini Robotics 2: Was sich gegenüber der 1.x-Reihe verändert hat

01Die drei Modelle

Die drei sind keine Varianten voneinander. Sie besetzen verschiedene Ebenen desselben Stacks: entscheiden, bewegen und auf dem Roboter selbst laufen. Ein funktionierendes System nutzt mehrere davon gleichzeitig.

Diese Arbeitsteilung nennt DeepMinds eigener Sicherheitsbericht eine „System 2 / System 1“-Architektur: oben ein abwägender Planer, darunter ein schneller, reflexhafter Regler. Sie erklärt auch, warum nur eines der drei offen für Entwickler verfügbar ist. Der Abschnitt zum Zugang weiter unten kommt darauf zurück.

02Was sich gegenüber 1.x geändert hat

Version 2 ist die fünfte Veröffentlichung einer Reihe, die im März 2025 begann, und die drei Linien haben sich seither in getrennten Takten weiterentwickelt. Nebeneinandergelegt fällt der Sprung von 1.x bei jeder anders aus.

Ersetzt wurde nicht alles. Die beiden Mechanismen, die 1.5 eingeführt hat, sind genau die, die Version 2 weitertreibt: Motion Transfer, das eine an einem Roboterkörper gezeigte Fähigkeit auf einen anderen überträgt, und ein interner Schlussfolgerungsschritt in natürlicher Sprache vor dem Handeln. So gelesen sind Ganzkörpersteuerung und minutenlange Planung weniger ein Neuanfang als eine Weiterführung dieser beiden Ideen.

Das Schlussfolgerungsmodell ist dreimal ohne passende Veröffentlichung des Aktionsmodells erschienen, weil es die Hälfte ist, die Entwickler über eine gewöhnliche API erreichen. Auch die Schreibweise hat sich mit dieser Version geändert: bis 1.6 hieß es Gemini Robotics-ER, ab Version 2 heißt es ohne Bindestrich Gemini Robotics ER 2.

03Ganzkörpersteuerung

Frühere Gemini-Robotics-Modelle waren praktisch Oberkörpermodelle. Sie bewegten Arme und Hände über einen Tisch, alles außerhalb dieser Reichweite war das Problem anderer. Gemini Robotics 2 nimmt Beine und Rumpf hinzu und damit den Schwerpunkt des Roboters. Er kann also auf ein Ziel zugehen, in die Hocke gehen und sich danach beugen, statt auf das beschränkt zu bleiben, was ohnehin vor ihm liegt.

DeepMinds durchgespieltes Beispiel ist die Anweisung „Stell die Gießkanne in die grüne Kiste im untersten Regalfach.“ Der Humanoide Apollo 2 von Apptronik geht zum Tisch, nimmt die Kanne auf, geht zum Regal und stellt sie ab. Das Modell übernimmt dabei sowohl die Navigation als auch die Balance, die der Griff ins unterste Fach verlangt.

Aufschlussreich ist vor allem der Wert für den Boden. Nach einem Gegenstand am Boden zu greifen ist der Fall, der Ganzkörpersteuerung am dringendsten braucht, und zugleich der mit der niedrigsten veröffentlichten Quote. Das fasst zutreffend zusammen, wie neu diese Fähigkeit ist.

04Geschicklichkeit

Die zweite Neuerung ist die Steuerung von Händen, die zu komplex sind, um sie von Hand zu programmieren. Gemini Robotics 2 steuert Apollo 2 mit fünffingrigen SharpaWave-Händen und 22 Freiheitsgraden, ebenso gewöhnliche zweifingrige Parallelgreifer wie einen Robotiq-Greifer an einem Franka Duo. Diese Bandbreite zählt kommerziell: Die meisten bereits im Einsatz befindlichen Industrieroboter tragen einen einfachen Greifer, keine anthropomorphe Hand.

Die von DeepMind veröffentlichte Aufgabenliste ist bewusst knifflig. Einen Müllbeutel zuknoten, einen Zipbeutel verschließen, in eine Kehrschaufel fegen und eine Glühbirne in die Fassung drehen verlangen alle eine fortlaufende Kraftanpassung an einem Objekt, das sich während der Arbeit bewegt.

Eine Glühbirne herauszudrehen und wieder einzudrehen ist fast dieselbe Bewegung in umgekehrter Richtung, und der Abstand zwischen beiden veröffentlichten Quoten ist der größte im Datensatz. Das Herausdrehen verträgt Ungenauigkeit, weil das Gewinde sich selbst führt, sobald es greift. Beim Eindrehen gilt das nicht: Die Birne muss ausgerichtet sein, bevor Kraft überhaupt nützt.

Zweifingrige Greifer schneiden bei allen Aufgaben, die DeepMind für sie berichtet, durchweg besser ab, präzises Einfügen eingeschlossen. Eine leistungsfähigere Hand ist also nicht automatisch eine zuverlässigere.

05Zusammenarbeit mehrerer Roboter

Die dritte Neuerung gehört zu ER 2, nicht zum Aktionsmodell. Ein Schlussfolgerungsmodell hält jetzt einen Plan über mehrere Roboter hinweg, gibt jedem den Teil der Arbeit, der zu seinem Körper passt, und verfolgt, wer was erledigt hat. DeepMinds Demonstration kombiniert einen Humanoiden Apollo 2 mit dem zweiarmigen Manipulator Franka F3 Duo; ein separater Aufbau steuert Spot von Boston Dynamics über dessen Navigations- und Manipulator-APIs mit ER 2.

Praktikabel wird das durch eine Änderung daran, was ER 2 beobachtet. Es liest einen fortlaufenden Videostrom statt Einzelbildern und kann deshalb beurteilen, wann ein Schritt tatsächlich abgeschlossen ist, ein Scheitern bemerken und mitten in der Aufgabe umplanen. DeepMind beschreibt Aufgaben, die über mehrere Minuten und Hunderte von Entscheidungen laufen. Diesen Zeithorizont kann ein Modell, das nur Momentaufnahmen sieht, nicht überwachen.

Die Fortschrittseinschätzung ist absolut betrachtet der schwächste dieser Werte und zugleich der, von dem der Mehrrobotereinsatz am stärksten abhängt: Ein Koordinator, der nicht zuverlässig erkennt, wie weit eine Aufgabe gediehen ist, erteilt die nächste Anweisung zum falschen Zeitpunkt.

06Sicherheitsbewertung

Zusammen mit den Modellen veröffentlichte DeepMind einen Sicherheitsbericht und stellte den zugehörigen Benchmark ASIMOV-Agentic als öffentlichen Datensatz bereit. Dessen Argument: Physische Schutzmaßnahmen wie Not-Halt und Geschwindigkeitsgrenzen bleiben nötig, reichen aber nicht mehr aus, weil ein Modell, das seine Teilaufgaben selbst plant, in eine Gefahr hineinlaufen kann, bevor eine dieser Schutzmaßnahmen überhaupt etwas hat, worauf sie reagieren könnte.

Die Ergebnisse fallen auf lehrreiche Weise ungleich aus. Alle getesteten Spitzenmodelle, ER 2 eingeschlossen, erreichten 100 % bei der Reaktion auf strukturierte Sicherheitsmeldungen, also dem Teil, der herkömmlicher Software am nächsten kommt. Die Einschätzung, ob eine Aufgabe überhaupt durchführbar ist, hing dagegen stark davon ab, wie viel das Modell über das Training des Aktionsmodells wusste: Die Trefferquote reichte von 62,0 % ohne solche Erläuterung bis 95,8 % bei der ausführlichsten.

Der Bericht benennt außerdem seinen eigenen Geltungsbereich, und das wiegt schwerer als jede einzelne Zahl darin. Er bewertet ausschließlich semantisches Schlussfolgern auf hoher Ebene und nennt drei Dinge, die ein normkonformer physischer Einsatz braucht und die er nicht prüft:

Hier gut abzuschneiden ist nicht dasselbe wie die Freigabe für die Arbeit neben Menschen. Diese Ebene ist eigene technische Arbeit und wird von Normen wie ISO/TS 15066 geregelt.

07Zugang

Allgemein verfügbar ist nur das Schlussfolgerungsmodell. Die beiden Aktionsmodelle bleiben hinter einem Early-Access-Programm, wie es DeepMind schon bei jedem früheren Gemini-Robotics-VLA gehalten hat.

Die Hardwareseite reicht über den vielzitierten Humanoiden hinaus. DeepMind nennt Apptronik, Boston Dynamics und Agile Robots als Partner; die berichteten Auswertungen umfassen Apollo 2, den Franka Duo und, für das On-Device-Modell, die Plattformen Dexmate, Trossen und SO-101, wobei Letzterer ein günstiger Open-Source-Arm ist.

08Häufige Fragen

09Quellen