Google DeepMind zaprezentował 30 lipca 2026 roku Gemini Robotics ER 2 – model Vision-Language przeznaczony do rozumowania o świecie fizycznym i planowania działań robotów. Google określa go jako „high-level brain”: model nie musi bezpośrednio sterować każdym silnikiem, lecz analizuje otoczenie, rozbija polecenie na kroki, planuje zadanie i koordynuje wykonanie przez jeden albo kilka robotów.
Jeśli śledzisz Physical AI, to ważne rozwinięcie trendu, który widzieliśmy już przy Robostral. Gemini Robotics ER 2 przyjmuje tekst, obraz, wideo i audio, ma kontekst do 128 tys. tokenów i opiera się na Gemini 3.5 Flash. Model jest dostępny przez Gemini API, Google AI Studio i Gemini Enterprise Agent Platform. Dla porównania warto wrócić do naszego newsa o Robostral Navigate, gdzie nacisk położono na nawigację z pojedynczej kamery RGB.
- Czym różni się Embodied Reasoning od zwykłego VLM?
- Co potrafi Gemini Robotics ER 2?
- Jeden model może koordynować kilka robotów
Czym różni się Embodied Reasoning od zwykłego VLM?
Zwykły model vision-language potrafi obejrzeć obraz i odpowiedzieć na pytanie. Model embodied reasoning musi pójść krok dalej: zrozumieć relacje przestrzenne, przewidzieć skutki działania i zaplanować fizyczną sekwencję kroków. W robotyce odpowiedź tekstowa jest tylko planem – później musi zostać przełożona na polecenia dla warstwy sterującej robotem.
Gemini Robotics ER 2 pełni właśnie tę rolę wyższego poziomu. Może analizować transmisję wideo, wyszukiwać istotny moment, korzystać z kodu i narzędzi, planować zadanie oraz przekazywać kolejne kroki do systemów wykonawczych. Dzięki temu logika „co należy zrobić?” jest oddzielona od niskopoziomowego pytania „jak dokładnie poruszyć silnikiem?”.
| Warstwa | Rola |
|---|---|
| Gemini Robotics ER 2 | Rozumienie otoczenia, planowanie, koordynacja i decyzje wysokiego poziomu. |
| Model VLA / kontroler | Przekładanie planu na konkretne akcje i ruchy robota. |
| Robot i sensory | Wykonywanie działań oraz dostarczanie obrazu i innych danych ze świata. |
Co potrafi Gemini Robotics ER 2?
- Rozumowanie przestrzenne – analizowanie położenia obiektów i relacji w scenie.
- Planowanie wieloetapowe – dzielenie złożonego polecenia na sekwencję działań.
- Analiza wideo w czasie rzeczywistym – praca na strumieniu z robota i reagowanie na zmiany.
- Tool use i code execution – korzystanie z dodatkowych narzędzi potrzebnych do rozwiązania zadania.
- Multi-robot collaboration – rozdzielanie pracy pomiędzy kilka robotów.
Model Card Google podaje wejście tekstowe, obrazowe, wideo i audio oraz wyjście tekstowe do 64 tys. tokenów. Dostępny jest także wariant streamingowy, zoptymalizowany pod dwukierunkowe audio i wideo w czasie rzeczywistym. To szczególnie ważne w robotyce, gdzie kilkusekundowe opóźnienie może oznaczać zupełnie inną sytuację fizyczną niż ta, którą model analizował.
Jeden model może koordynować kilka robotów
Najciekawszy element premiery dotyczy współpracy wielu urządzeń. Google pokazuje scenariusze, w których system deleguje części zadania różnym robotom – np. jeden przenosi przedmiot, drugi przygotowuje kolejną część procesu. Taki układ bardziej przypomina orkiestrację agentów AI niż klasyczne sterowanie jednym robotem.
| Obszar | Potencjalne zastosowanie |
|---|---|
| AI do robotów magazynowych | Planowanie działań kilku urządzeń w jednej przestrzeni. |
| Roboty humanoidalne | Rozumienie wieloetapowych poleceń i otoczenia człowieka. |
| Roboty usługowe | Adaptacyjne wykonywanie zadań w biurach, hotelach i przestrzeni publicznej. |
| Physical AI | Łączenie modeli multimodalnych z realnymi działaniami maszyn. |
Jeżeli interesuje Cię szerszy ekosystem Google, możesz też zajrzeć do materiału o Gemini AI. Robotics ER 2 pokazuje jednak zupełnie inną stronę tej rodziny: model nie służy przede wszystkim do rozmowy, lecz do podejmowania decyzji w świecie fizycznym.
Frontier AI coraz mocniej wychodzi poza ekran
Gemini Robotics ER 2 jest ważny dlatego, że łączy znane możliwości modeli multimodalnych – obraz, wideo, język i tool use – z planowaniem fizycznych działań. Naturalnymi tematami do dalszego rozwinięcia są Physical AI, Embodied AI, Vision-Language Model do robotyki, AI do sterowania robotami oraz model AI do współpracy wielu robotów.
Źródła
News został przygotowany na podstawie oficjalnego komunikatu Google, materiałów Google DeepMind oraz karty modelu Gemini Robotics ER 2 opisującej architekturę, wejścia i ograniczenia.
