用视频理解、任务编排与多机器人协作赋能机器人

核心亮点

与同日发布的 Gemini Robotics 2 互补，Gemini Robotics ER 2 把重心放在「先想清楚，再决定怎么做」。它是面向具身推理的机器人基础模型，不直接产出关节动作，而是理解场景、规划步骤、选工具，把复杂任务拆成可逐步执行的方案。说白了，Robotics 2 是「手和脚」，ER 2 是「脑和眼」——一个执行，一个推理，本为搭档而生。

具体能力

ER 2 的最大提升在视频理解：它能从演示视频读懂「人做了什么、为何这样做」，把观察转成可复用任务表示，不必每次人工示教。工具编排上，它能判断需要榔头、螺丝刀还是夹爪，规划使用顺序与姿态，让机器人像人一样临时组合工具。多机协作则让多台机器共享任务的空间与语义理解，把「一起干活」升级为有逻辑的分工。

技术细节

ER 2 基于 Gemini 大模型构建，把语言与世界知识注入感知与规划。训练强调「视频即示教」，用大量人类操作视频让模型从观察推断意图与因果，面对新物体、新布局也能泛化。与纯 VLA 动作模型不同，ER 2 输出更接近结构化计划与约束，再由下层执行器（如 Robotics 2）落地。这种「先推理、后执行」分层让出错时有清晰干预点，也便于人类审核每步决策。

与竞品对比

相比直接输出动作的端到端方案，ER 2 把「推理」显式独立，更适合长链条、需临场判断的任务。与只做识别或单纯视频理解的模型相比，它把理解直接连到「下一步该干什么」，形成从看到想的闭环。简单说，它不追求一次把动作做完美，而是把问题想明、工具用对，再交执行层打磨。这让它特别适合非结构化、多变的真实环境。

行业影响

对行业而言，ER 2 代表趋势：机器人「智能」正分化为推理与执行两层，各自迭代。企业可先用 ER 2 规划复杂工序，再对接不同厂商执行器，避免被单一软硬件栈绑定。对需人机协作的产线、仓储与家庭场景，会思考的机器人意味着更少示教工时与更高弹性。说白了，当机器人能自看视频学、自选工具、自分工，部署 AI 工作流的门槛与成本都会明显下降。