機器人缺的常常不是「會動」，而是「知道自己做到哪、下一步該不該換手、旁邊有人時該不該停」。Google DeepMind 把答案拆成一層公開可呼叫的高層大腦：推出 Gemini Robotics ER 2（embodied reasoning），定位為機器人與人類對話、理解物理世界、規劃可長達數分鐘的多步驟任務，再把馬達執行交給下層 vision-language-action（VLA）或其他控制 API。開發者可透過 Gemini API、Google AI Studio 直接呼叫；Gemini Enterprise Agent Platform 則提供私有預覽。
這不是一場硬體發表會。它比較像把 Android 式「連接層」往工廠與實驗室推進：本體廠繼續做機構與伺服，Google 嘗試成為「決定下一步」的共用推理入口。
三模型家族：公開的是大腦，手脚仍分級開放
同批敘事裡其實有三個模型，存取權重不同：
| 模型 | 角色 | 誰能用 |
|---|---|---|
| Gemini Robotics ER 2 | 具身推理 VLM／高層代理 | 公開預覽（API／AI Studio）；企業 Agent 平台私有預覽 |
| Gemini Robotics 2 | 全身控制 VLA | 早期合作夥伴 |
| Gemini Robotics On-Device 2 | 本機 VLA，少樣本適配 | Trusted Testers |
MarkTechPost 等整理的 model card 資訊：ER 2 基於 Gemini 3.5 Flash，接受交錯文字／影像／影片／音訊，上下文至約 128k，文字輸出至約 64k tokens；AI Studio 模型字串為 gemini-robotics-er-2-preview。也就是說，多數外部團隊今天能立刻試的，是「規劃與調度層」，不是完整的全身動作權重。
官方強調 ER 2 相對 ER 1.6 的跳躍：連續看影片追進度、出錯能調、知道何時進下一步；並首度把多機器人協作寫進產品敘事——不同機型共享語義理解、交接子任務，完成單機做不到的流程。示範包括 Apptronik Apollo 2 與 Franka F3 Duo 協作，以及用 ER 2 調度 Boston Dynamics Spot 的導航與操作臂 API，用自然語言叫它去拿東西。
為什麼「進度」突然變成 headline 指標
實體世界最難的一題是：任務何時算完成。鎖緊燈泡、綁垃圾袋這類事，差幾秒就會灑、會夾、會損料。ER 2 把時間智能拆成兩塊，並給出可核對數字。
連續進度分類：把影像每一幀標成五檔進度（0–20%…80–100%），讓機器人即時知道走到哪、要不要重試而不是整段重來。官方數字：57.4% 準確率，勝過前代與部分競品 frontier 模型。
關鍵時刻定位（moment-finding）：找出「該停倒咖啡」這類事件發生的精確幀。官方：91.3% 準確率，平均絕對距離約 0.96 秒；強調以遠低於更大模型類別的算力與約 4 倍執行速度，換到實體機器人真正需要的次秒級延遲。
空間側則升級三塊：成敗偵測改吃原始影片而非靜態快照（抓灑、滑、對不齊）；儀表讀取從圓形錶與窺鏡擴到數位顯示、線性尺、液體溫度計等約 10 類；以及強化空間 VQA。工具編排上，ER 2 在真實 VLA、模擬 VLA、人類遙操三種控制模式下都勝過 ER 1.6。
延遲面綁上 Gemini Live API 雙向串流端點：一邊動作一邊想下一步，減少「停住想很久再動」的頓挫。這對開發者工作流很實際——你把低層控制介面宣告成 tools，把多模態串流餵進去，ER 2 當編排代理。
安全敘事：人靠近就停，基準上 Hugging Face
實體 AI 出事代價與聊天框不同。官方稱 ER 2 是目前最安全的一版，在 Safety Instruction Following 與 Human Proximity 基準上明顯進步：人靠近人形機器人時能成功停住，區域清空後再自主恢復。他們另推一套評估「安全 VLA 編排者」的基準（約束執行、環境監測、物理可行性、向人澄清），並把相關安全技術報告／基準開放到 Hugging Face（報導稱 ASIMOV-Agentic，CC-BY-4.0）。Ars Technica 等第三方也點出：影片示範仍不及人類速度與流暢，但即時畫面已比過去猶豫感低。
商業化仍有未寫進發表稿的摩擦。虎嗅等中文分析提醒：預覽階段延遲、幻覺、空間輸出誤差仍在；工廠若持續把產線影像與任務資料送進外部模型，同意與控制權會卡住導入。官方開發者文件亦要求：機器人可能錄到個人資料時，營運方須事先告知並取得同意、盡量減少蒐集。雲端大腦越強，本體廠與工廠 IT 越要想清楚資料邊界——這與同週微軟把 harness 與模型拆開賣的企業語言，其實是同一條採購題的不同場景。
和競品戰場怎麼對位
具身智能這兩年被拆成「大腦／小脑／本機」分層。Google 公開 ER 2，等於先佔領「可 API 呼叫的高層規劃」；全身 VLA 與 On-Device 仍鎖在夥伴與 Trusted Tester——複製的是雲端先滲透、硬體後綁定的老劇本。對 Apptronik、Boston Dynamics、Franka 這類出現在 demo 裡的廠商，短期是曝光與整合樣本；長期要問的是：語義交接協議會不會變成事實標準，讓換大腦比換手臂便宜。
也要對照同週另一條完全不同的主線：Anthropic 披露三起 Claude 評測誤連公網入侵。一邊是軟體代理在虛擬靶場打穿真公司；一邊是實體代理被要求在工廠與走廊「看著進度、人近則停」。兩者提醒同一件事：代理能力往前走時，隔離、監測與中止條件必須跟著升級——差別只在於，一個中止的是 session，一個中止的是一噸級機械臂。
開發者現在能做什麼、還不能做什麼
能做：用 gemini-robotics-er-2-preview 試多步驟編排、接 Live 串流、把導航／夾爪 API 當 tools、複現 Spot／雙臂協作類 demo 的提示結構。官方提供配置與 prompt 範例、GitHub robotics-samples。
還不能假設：公開 API 等於你已有 Gemini Robotics 2 全身控制；也不能假設 57.4%／91.3% 會在你的光照、遮擋、產線節奏下原樣成立。多指靈巧度在相關報導中仍是弱軸（區間可低至約三成、高至九成以上，視任務而定）——ER 2 再懂進度，抓不穩仍會失敗。
採購與產品經理可把問題收成三句：我們缺的是高層規劃還是動作策略？資料能不能出廠？安全停機要落在模型層、控制器層還是兩者都要？ER 2 適合回答第一句；後兩句仍是系統工程，不是換一個 model string 就結束。
對硬體整合商，公開大腦也改變報價結構。過去客製規劃堆疊常綁死在單一系統整合商；現在客戶可以要求「規劃層可換成 Gemini API、動作層保留你們的 VLA」。這會壓低切換成本，也逼整合商把差異化寫回資料、工藝與現場調校——虎嗅所說「API 降低門檻後更要有不可替代壁壘」，指的就是這件事。對新創機器人隊，好處是少養一支規劃研究組；風險是路線圖被雲端模型改版節奏牽著走，以及工廠客戶一問資料出境就卡住 POC。
同週還有現代汽車加深 Boston Dynamics 布局這條實體 AI 產線敘事：工廠要的是可預測節拍與責任歸屬，不是只看 demo 能不能拿零食。ER 2 的進度分類與人近停機，正好對上產線採購常問的兩句——「它知不知道自己做完了」與「人走進工作半徑會怎樣」。數字漂亮仍要現場驗證，但至少問題開始能量化。
Google 這次沒有假裝「單一模型包辦身體」。它公開的是可調度的腦，把手脚留給分級合作夥伴。對實體 AI 產業，這意味著下一輪競爭可能不在誰的後空翻影片更炫，而在誰的進度估計夠穩、誰的多機語義交接夠通用、誰的「人靠近就停」在真實廠房裡不會誤觸或漏觸。