Gemini Robotics ER 2: DeepMind делает ставку на видеоориентированную оркестровку нескольких роботов

DeepMind обновляет ER 2, продвигая воплощённое мышление в сторону понимания видео и координации на уровне флота — гонка за воплощёнными фундаментальными моделями получает новый этап от Google.

Простыми словами. Google DeepMind выпустила Gemini Robotics ER 2, добавив понимание видео, оркестровку задач и совместную работу нескольких роботов в свой стек для воплощённого ИИ. Настоящая новость — переход от демонстрации работы одной руки к рассуждениям на уровне флота, что явно возвращает Alphabet в гонку за создание фундаментальных решений для воплощённого ИИ.

Место этой разработки

До сих пор в гонке за создание фундаментальных решений для воплощённого ИИ лидировали три игрока: NVIDIA GR00T, китайская Xiaomi Robotics-U0 (38B, с открытым исходным кодом) и X-Square Robot с поддержкой базовой архитектуры. Линейка ER от Alphabet была в тени. ER 2 — это DeepMind, подтверждающая, что она всё ещё в игре.

Технические детали

Согласно объявлению, ER 2 делает акцент на трёх ключевых компонентах:

• Понимание видео — рассуждения над последовательностями, а не отдельными кадрами. Это именно то, что нужно для манипуляций на длинных горизонтах.
• Оркестровка задач — разбиение цели, сформулированной на естественном языке, на подзадачи, которые может выполнить контроллер.
• Совместная работа нескольких роботов — координированное поведение более чем одной платформы.

Первые два направления следуют общедоступному тренду в отрасли с 2025 года. Третье — вот где ER 2 выделяется. Координация двух рук на одном роботе — это задача управления; координация двух роботов на одной задаче — это системная задача: общая модель мира, коммуникация, разрешение конфликтов.

Что пока неизвестно

В объявлении не приводятся сравнительные бенчмарки с GR00T или RT-2 на одних и тех же задачах, а также не количественно оценивается "совместная работа" (задержки, горизонт координации, режимы отказа). Пока это объявление о возможностях, а не подтверждённая эффективность, пока третьи стороны не воспроизведут результаты.

Что это значит

Для лица, принимающего решения: это сильный сигнал, что стек для воплощённого ИИ следует модели LLM — одна базовая модель, адаптируемая под разные форм-факторы. Соответственно распределяйте бюджет на рынок, где промежуточный слой ПО сведётся к вызову модели. Для разработчика: следите за поверхностью API. Если ER 2 станет доступна за пределами внутренних команд Alphabet по робототехнике, точка интеграции для автоматизации физических процессов может сместиться в течение полутора лет. Для отрасли: теперь видимое разделение проходит между закрытым решением Google на вершине и открытой моделью Xiaomi весом 38B (Robotics-U0) в основе. Расширится ли этот разрыв — с большим количеством китайских лабораторий, выбирающих открытые модели, как это сделала Xiaomi, — это история, за которой стоит наблюдать до конца 2026 года.