Gemini Robotics 2 bringt Google tiefer in die allgemeine Robotersteuerung

Google erweitert seinen Robotik-Stack um ein breiteres Steuerungsmodell

Google DeepMind hat Gemini Robotics 2 vorgestellt, ein neues Vision-Language-Action-Modell, das laut Unternehmen als gemeinsame Steuerungsschicht für sehr unterschiedliche Robotertypen dienen kann. Nach der in der Quelle beschriebenen Ankündigung ist das Modell dafür gedacht, in Systemen von Tischrobotern bis hin zu humanoiden Ganzkörperrobotern zu funktionieren und Googles Bemühungen fortzusetzen, große multimodale Modelle in Software zu verwandeln, die in der physischen Welt agieren kann.

Die Veröffentlichung ist deshalb wichtig, weil Robotik-Entwickler seit Langem mit Fragmentierung zu kämpfen haben. Modelle, die auf einem Maschinentyp oder einer Aufgabe gut funktionieren, müssen oft erheblich angepasst werden, bevor sie mit einem anderen Körperbau, einer anderen Sensorik oder einer anderen Umgebung zurechtkommen. DeepMind stellt Gemini Robotics 2 als Schritt hin zu einer allgemeineren Grundlage dar: eine Modellfamilie, die Bilder interpretieren, Sprache verarbeiten und diese Eingaben über eine größere Bandbreite von Hardware hinweg in Handlungen übersetzen kann.

Diese Positionierung ist auch jenseits der technischen Behauptung bedeutsam. Praktisch betrachtet deutet eine “Intelligenzschicht” für Roboter auf einen Markt hin, in dem Kernsoftware für Wahrnehmung, Schlussfolgerung und Steuerung auf vielen Plattformen wiederverwendet werden kann, während sich Hardwarehersteller über Mechanik, Zuverlässigkeit, Kosten und Einsatz unterscheiden. Wenn dieser Ansatz sich in realen Tests bewährt, könnte er die Einstiegshürde für adaptive Roboter in Logistik, industrieller Handhabung, Forschung und Dienstleistungsanwendungen senken.

Was DeepMind dem neuen Modell zuschreibt

Der Quelltext beschreibt Gemini Robotics 2 als DeepMinds bislang fortschrittlichstes Vision-Language-Action-Modell. Vision-Language-Action-Systeme verbinden visuelles Verständnis, natürliche Sprachverarbeitung und Motorsteuerung und ermöglichen einem Roboter, das Gesehene mit dem Verknüpfen, was er tun soll, und dann eine physische Reaktion auszuführen.

DeepMind sagt, das neue Modell könne Ganzkörperbewegungen steuern, feinmotorische Aufgaben ausführen und mehrere Roboter koordinieren. Das sind drei sehr unterschiedliche Anforderungen. Ganzkörperbewegung erfordert breitere Raumplanung und stabilitätsbezogene Steuerung. Feinmotorische Arbeit hängt von präziserer Manipulation ab. Multi-Roboter-Koordination bringt Zeitplanung und gemeinsame Aufgabenkomplexität mit sich. Diese Fähigkeiten in einer Plattform zu bündeln, ist zentral für die These des Unternehmens, dass Gemini Robotics 2 nicht nur ein inkrementelles Update, sondern eine breitere Steuerungsarchitektur ist.

Die Quelle sagt außerdem, Entwickler könnten sich für frühen Zugriff über eine Warteliste bewerben. Das deutet auf ein bekanntes Rollout-Muster bei fortgeschrittenen KI-Systemen hin: zuerst öffentliche Ankündigung, dann kontrollierter Zugang und später breitere Einführung, sofern Leistung und Sicherheit akzeptabel sind. Für Entwickler bedeutet das kurzfristig weniger unmittelbare Produktionsreife als vielmehr Evaluierung, Prototyping und das Verständnis, wo das Modell in bestehenden Robotik-Stacks passt.

Ein zweites Modell fokussiert auf verkörpertes Schlussfolgern

Neben Gemini Robotics 2 stellte Google DeepMind auch Gemini Robotics ER 2 vor. Das Kürzel “ER” steht für embodied reasoning, also verkörpertes Schlussfolgern, das der Quelltext als das Verstehen der physischen Welt und das Entscheiden über darauf basierende Handlungen beschreibt. Anders gesagt zielt das Modell weniger auf die Ausführung auf niedriger Ebene und mehr auf höhere Interpretation und Entscheidungsunterstützung für Robotersysteme.

DeepMind sagt, ER 2 löse Gemini Robotics ER 1.6 ab, das im April veröffentlicht worden war. Diese schnelle Abfolge deutet darauf hin, dass das Unternehmen in einem Feld schnell iteriert, in dem der Nutzen eines Modells von einer Mischung aus allgemeiner KI-Fähigkeit und robotikspezifischem Tuning abhängt. Das bemerkenswerteste Vertriebsdetail ist, dass ER 2 in Google AI Studio verfügbar ist und Entwicklern damit einen direkteren Weg bietet, die Schlussfolgerungsseite des Stacks zu testen als das breitere Steuerungsmodell Robotics 2, das über Early Access bereitgestellt wird.

Die Trennung zwischen einem allgemeinen Steuerungsmodell und einem Schlussfolgerungsmodell spiegelt auch einen breiteren Designtrend in der Robotik-KI wider. Unternehmen trennen zunehmend die Frage “Was soll der Roboter tun?” von “Wie soll er es physisch tun?”. Ein Schlussfolgerungssystem kann helfen, Aufgaben zu zerlegen, Szenen zu interpretieren und Abläufe zu planen, während ein Steuerungsmodell diese Pläne in Bewegung übersetzen kann. Die Produktstruktur von DeepMind scheint dieser Aufteilung zu entsprechen.

Warum der Start wichtig ist

Die Ankündigung verstärkt den Wettbewerb um die Softwarebasis der nächsten Robotergeneration. Die Branche bewegt sich weg von streng geskripteter Automatisierung hin zu Systemen, die sich an weniger vorhersehbare Umgebungen anpassen können. Lager, Fabriken, Labore und schließlich öffentliche Umgebungen belohnen Roboter, die mit Variationen umgehen können, ohne für jeden Sonderfall ausführlich manuell programmiert zu werden.

Die Art, wie DeepMind das Thema rahmt, legt nahe, dass das Unternehmen multimodale Foundation-Modelle als Weg zu dieser Anpassungsfähigkeit sieht. Wenn ein Roboter Sprachbefehle interpretieren, eine visuelle Szene erfassen und Handlungen über Aufgaben hinweg verallgemeinern kann, könnten Entwickler flexiblere Produkte mit weniger Sondercode bauen. Das beseitigt nicht die harte Ingenieursarbeit rund um Sicherheit, Latenz, Kalibrierung, Hardware-Integration und Evaluierung. Aber es kann verschieben, wo die schwierigsten Probleme im Stack sitzen.

Es gibt hier auch einen strategischen Punkt für Google. Robotik hatte immer wieder Höhen und Tiefen, weil die Softwareseite mit der Generalisierung kämpfte. Indem Google DeepMind Robotik enger mit dem zentralen KI-Modell-Ökosystem des Unternehmens verknüpft, argumentiert es im Grunde, dass Fortschritte in allgemeiner multimodaler KI nun in Fortschritte bei verkörperten Systemen übersetzt werden können. Das ist eine stärkere kommerzielle Geschichte als Robotik als weitgehend eigenständiger Forschungspfad.

Worauf als Nächstes zu achten ist

• Ob Early-Access-Entwickler starke plattformübergreifende Leistung berichten, statt enger Demos, die an bestimmte Roboter gebunden sind.
• Wie viel Integrationsarbeit noch nötig ist, um Gemini Robotics 2 an unterschiedliche Verkörperungen und Sicherheitsauflagen anzupassen.
• Ob ER 2 in Google AI Studio zu einem praktischen Planungswerkzeug für Robotik-Entwickler außerhalb von DeepMinds unmittelbarem Ökosystem wird.
• Wie Wettbewerber reagieren, während sich das Rennen um allgemeine Softwareplattformen für Roboter beschleunigt.

Vorläufig sollte der Start eher als wichtiges Produkt- und Plattformsignal gelesen werden denn als Beweis dafür, dass breit einsetzbare Roboter überall skalierbar bereitstehen. Er zeigt jedoch, wohin eines der größten KI-Labore den Markt gehen sieht: zu wiederverwendbaren, multimodalen Intelligenzschichten, die über vielen Arten von Maschinen liegen und sie in der realen Welt anpassungsfähiger machen.

Dieser Artikel basiert auf der Berichterstattung von The Decoder. Originalartikel lesen.