7月30日，Google 通过更新 Gemini Robotics 开发者文档，正式开放新一代具身推理模型 Gemini Robotics ER 2 的预览版。与行业常见的硬件发布会不同，这次升级以近乎软件更新的方式悄然出现在 Google AI Studio 及 Gemini API 中，开发者可直接调用两个模型端点：一个面向常规具身推理任务，另一个面向实时音视频流和低延迟机器人智能体。

ER 是 Embodied Reasoning（具身推理）的缩写。Google 将 Gemini Robotics 系列大致分为两层：VLA 模型负责将视觉信息和指令转化为机器人动作，解决“手脚怎么动”；ER 模型负责理解环境、拆解任务、调用工具，并判断机器人是否完成了当前步骤，解决“接下来该做什么”。Google 官方将 ER 模型称为机器人的“高层大脑”。

ER 2 建立在 Gemini 3.5 Flash 之上，新增或强化了多项关键能力：视频片段定位、任务进度分类、多机器人协同以及多步骤工具调用。它不再只回答画面中有什么，而是要从连续视频中判断某个动作何时开始、执行到哪一步、是否成功以及是否需要重试。这直接针对机器人领域一个现实问题——规划与执行容易脱节。模型可以生成一套看似合理的步骤，但真实世界不会严格按照计划运行，杯子可能滑动，箱子可能被挪走，机械臂也可能抓取落空。ER 2 新增的视频进度理解，正是试图补上这一环。

Google 同时推出了 gemini-robotics-er-2-streaming-preview，通过 Live API 持续接收音频和视频流，并支持低延迟函数调用。相比“拍一张图片、发送一次请求、等待一个答案”的轮询模式，流式模型让机器人能够保持与环境的连续连接，从观察一个画面走向观察一个正在发生的过程。

尽管被称作机器人的“大脑”，ER 2 并不是一套完整的机器人控制模型。它接收文本、图像、视频和音频，输出仍然是文本——可以给出物体坐标、边界框、任务步骤和工具调用指令，却不会直接输出电机控制信号。开发者仍需将其与 VLA 模型、抓取模型、运动控制器以及机器人自身的硬件接口连接。Google 没有试图用一个端到端模型包办机器人从理解到执行的全部环节，而是更接近在不同能力之间建立一层调度系统：上接语言和视觉模型，下接机械臂、传感器、控制算法以及企业自定义的软件工具。

这种架构给 Google 留下了更大的进入空间。机器人行业仍缺少统一硬件形态，人形机器人、轮式双臂机器人、工业机械臂和四足机器人对动作模型和控制系统的需求差异明显。若押注某一种本体，模型能够覆盖的市场也会受到限制。高层推理和任务调度却具有更强的通用性。Google DeepMind 公开展示的 Gemini Robotics 能力已覆盖 ALOHA 双臂平台、Franka 机械臂以及 Apptronik Apollo 人形机器人。官方对产品的表述也是面向“不同形状和尺寸”的机器人，而非只服务于人形本体。

ER 2 还首次突出多机器人协同能力。在仓库、工厂和商业空间中，任务往往需要由多种设备共同完成：一台移动机器人负责运输，一台机械臂负责装卸，固定摄像头提供环境信息，另一台设备负责扫描或质检。传统自动化系统可以依靠预设流程完成稳定任务，但一旦订单、物料或环境发生变化，企业通常需要重新编写规则。ER 2 试图把自然语言理解、视觉判断和工具调用放在同一层中，让模型成为多台机器人之间的动态调度者。Google 将这项能力称为“机器人智能体编排”。这一步的商业价值可能比让人形机器人完成某个炫目的单项动作更直接——今天已经进入工厂和仓库的大量设备并不缺少稳定执行单一动作的能力，真正制约自动化进一步扩展的，是设备之间难以灵活协同，系统无法低成本处理频繁变化的任务。

将 Google 的机器人战略类比为 Android 很有吸引力，但现在下结论仍然过早。智能手机拥有相对标准化的计算架构和交互方式，机器人面对的却是高度复杂的物理世界。不同设备在关节数量、负载能力、传感器配置、控制频率和安全边界上差别巨大，模型无法像手机应用一样在不同本体之间直接复制。Google 自己也没有掩饰当前模型的局限：官方开发文档提示，复杂请求、高分辨率输入和更高的推理等级会增加延迟；模型可能产生幻觉；空间输出会受到光照、对比度和提示词质量影响。对于高精度任务，Google 甚至建议开发者多次调用模型并对结果取平均值。这些限制在聊天机器人中可能只是回答错误，进入物理世界后却可能变成碰撞、物品损坏甚至人员风险。

ER 2 目前仍处于预览阶段，Google 尚未公开足够完整的基准测试，也没有披露其在真实商业场景中的长期运行数据。流式视频和音频接入还带来了新的数据问题：机器人在工厂、商场和家庭中运行时，可能持续采集人的声音、面部和行为信息。Google 已经在开发者条款中明确要求，当机器人可能采集可识别的个人数据时，运营方需要提前告知并获得相关人员同意，同时尽量减少数据采集。在工厂等敏感场景中，客户是否愿意让生产视频和任务数据持续进入外部模型，将直接影响 ER 2 的商业化速度。

过去两年，中国具身智能企业普遍强调全栈自研，从本体、关节、灵巧手到世界模型和 VLA，拥有完整技术链条被视为企业估值的重要支撑。Google 将 ER 能力以 API 形式开放后，这套叙事会面临新的检验。当通用的空间理解、任务拆解、视频进度判断和工具调用能力可以外购，机器人企业是否仍有必要从头训练一套相似模型？答案取决于企业真正拥有的壁垒。对于缺少模型团队的本体厂商，调用 Google 等公司的基础模型可以降低进入智能机器人市场的门槛；对于拥有场景数据和客户资源的企业，通用模型也可能帮助它们更快完成产品验证。但外部模型不会消除机器人企业的价值——ER 2 能够判断“应该拿起哪个物体”，却不直接解决机械臂能否稳定抓住；它可以生成任务计划，却无法替代企业对负载、速度、功耗和安全边界的工程理解；它能够接收工厂视频，也不会天然掌握某条产线多年积累的工艺数据。随着基础模型能力逐步成为公共供给，机器人企业需要重新回答一个问题：自己究竟在模型、本体、数据和场景中掌握了哪一项不可替代的能力。对中国企业而言，制造业场景和真实运行数据仍是重要筹码。

从搜索、手机到生成式 AI，Google 长期争夺的都是人与计算系统之间的入口。机器人提供了一个新的界面。当计算从屏幕走向真实空间，用户不再通过点击图标调用服务，而是直接说出一个目标，由机器人观察环境、理解意图并完成任务。谁掌握这层理解和调度能力，谁就可能影响未来机器人如何连接搜索、地图、云服务和其他数字工具。Gemini Robotics ER 2 已经支持 Google 搜索、函数调用、代码执行等能力，机器人由此不再只是执行预先写好的程序，它可以先查找信息，再结合现场环境制定行动方案。Google 真正想连接的，可能并非某一台机器人，而是数字世界和物理世界之间的调用链。从目前的能力看，ER 2 距离通用机器人“大脑”仍有明显距离，但它已经给出了 Google 的选择：与其加入本体公司的产能竞赛，Google 更愿意站在本体之上，为不同机器人提供观察、判断和调度能力。一旦这种分工成立，机器人企业负责制造身体，Google 则试图决定身体如何理解世界。