Gemini Robotics ER 2: DeepMind setzt auf videonative, multi-robotische Orchestrierung

DeepMinds ER 2-Aktualisierung bringt das verkörperte Denken in Richtung Video-Verständnis und Koordination auf Flottenebene - der Wettbewerb um die verkörperte Grundlage erhält sein Google-zertifiziertes Meilenstein.

In einfachen Worten. Google DeepMind hat Gemini Robotics ER 2 veröffentlicht und damit Video-Verständnis, Aufgabenorchestrierung und Multi-Roboter-Kollaboration zu seinem Embodied-Stack hinzugefügt. Der Schritt von der Single-Arm-Demo zur Flottenebenen-Logik ist die eigentliche Neuigkeit, und er bringt Alphabet sichtbar zurück in das Rennen um die Embodied-Foundation.

Wo dies passt

Der Embodied-Foundation-Faden wurde bisher von drei Akteuren vorangetrieben: NVIDIA GR00T, Chinas Xiaomi Robotics-U0 (38B, Open Source) und die Wette von X-Square Robot. Die ER-Reihe von Alphabet war der Schläfer. ER 2 ist DeepMind, das sich wieder in Bewegung setzt.

Unter der Haube

Laut der Ankündigung betont ER 2 drei konkrete Punkte:

• Video-Verständnis - Schlussfolgerungen über Sequenzen, nicht nur einzelne Frames. Genau das braucht die Manipulation mit langem Zeithorizont tatsächlich.
• Aufgabenorchestrierung - Zerlegung eines natürlichen Sprachziels in Unterziele, die ein Controller ausführen kann.
• Multi-Roboter-Kollaboration - koordiniertes Verhalten über mehr als eine Plattform hinweg.

Die ersten beiden folgen der öffentlichen Richtung des Feldes seit 2025. Der dritte Punkt ist der, der sich unterscheidet. Die Koordination von zwei Armen an einem Roboter ist ein Steuerungsproblem; die Koordination von zwei Robotern an einem Job ist ein Systemproblem - gemeinsames Weltmodell, Kommunikation, Konfliktlösung.

Was wir noch nicht wissen

Die Ankündigung veröffentlicht keine direkten Benchmarks gegen GR00T oder RT-2 bei den gleichen Aufgaben und quantifiziert "Kollaboration" nicht (Latenz, Koordinationshorizont, Ausfallmodi). Behandeln Sie dies als angekündigte Fähigkeit, nicht als bewiesene Fähigkeit, bis Dritte dies reproduzieren.

Und was jetzt?

Für einen Entscheider: Dies ist ein starkes Signal dafür, dass der Embodied-Stack dem LLM-Muster folgt - ein Backbone, der an verschiedene Formfaktoren anpassbar ist. Planen Sie entsprechend für einen Markt, in dem die Middleware-Ebene in einen Modellaufruf zusammenbricht. Für einen Builder: Beobachten Sie die API-Oberfläche. Wenn ER 2 außerhalb der internen Robotik-Teams von Alphabet zugänglich ist, könnte sich der Integrationspunkt für die physische Automatisierung innerhalb von achtzehn Monaten verschieben. Für den Faden: Die sichtbare Spaltung ist jetzt zwischen einem geschlossenen Google-Quellcode-Schub an der Spitze und Xiaomis 38B Open-Weight-Wette (Robotics-U0) an der Basis. Ob sich diese Lücke vergrößert - mit mehr chinesischen Labors, die den Open-Weight-Weg wählen, wie Xiaomi es tat - ist die Geschichte, die man bis Ende 2026 verfolgen sollte.