Gemini Robotics 2: как модель управляет роботом целиком

Google DeepMind в 2025 году развивает линейку Gemini Robotics — семейство моделей, которые переносят рассуждения больших языковых моделей в физический мир: робот видит сцену, понимает команду на естественном языке и планирует действия. Ключевая идея нового витка — так называемый whole body control, управление роботом как единым целым: не только захватом или рукой, но и корпусом, положением, перемещением. Ниже разбираем, что это меняет на практике, где проходит граница между демо и рабочим внедрением и на какие цифры стоит смотреть скептически.

Что стоит за формулировкой «whole body intelligence»

Классический промышленный робот годами делал одно движение по жёсткой программе. Модели вроде Gemini Robotics меняют подход: вместо ручного программирования траекторий робот получает задачу словами и сам решает, как её выполнить. VLA-модель (см. сноску) связывает картинку с камеры, текстовую команду и команды на приводы.

«Whole body» в этой логике означает, что модель управляет не изолированным манипулятором, а координирует несколько степеней свободы сразу — например, наклон корпуса, чтобы дотянуться до дальнего предмета, вместо того чтобы двигать только рукой. Для человека это очевидно: чтобы поднять что-то с пола, вы приседаете, а не тянетесь одной кистью. Для робота согласовать десятки суставов в одном движении — вычислительно и алгоритмически сложная задача.

Разница между «управлять рукой» и «управлять телом» — примерно как между печатью одним пальцем и слепой печатью всеми десятью. Итог тот же, цена движения — разная.

Почему это не просто маркетинг

Ценность координации всего корпуса измеряется в двух вещах: какие задачи вообще становятся выполнимыми и насколько устойчиво робот работает вне лаборатории. Узкая манипуляция «взять кубик со стола» решалась и раньше. Сложность начинается там, где предмет тяжёлый, далеко, в неудобной позе или сцена меняется на ходу. Здесь координация корпуса, баланса и захвата даёт роботу больше способов достичь цели.

Что реально известно, а что стоит проверять

Вокруг робо-моделей много красивых видео, и это главная ловушка. Демонстрация показывает лучший дубль, а не среднюю надёжность в цеху или на складе. Прежде чем делать выводы, разделяйте три вещи.

• Что показано в демо — отдельные успешные выполнения задач в контролируемой обстановке.
• Что заявлено в бенчмарках — метрики обобщения на новые объекты и сцены; их стоит смотреть в оригинальной публикации, а не в пересказе.
• Что доступно вам — API, партнёрская программа, конкретные модели роботов и цена доступа.

Конкретные названия версий, доступность через API, список партнёров-производителей роботов и точные метрики я намеренно не привожу цифрами по памяти: эти данные быстро устаревают и часто различаются между анонсом и публичным релизом. Их нужно сверять в официальном блоге Google DeepMind и в сопроводительной технической документации на момент, когда вы это читаете.

Как устроен рынок вокруг

DeepMind здесь не в вакууме. Направление VLA-моделей и «фундаментальных моделей для роботов» развивают и другие команды и стартапы. Общая ставка одна: одна универсальная модель, которую можно адаптировать под разные корпуса роботов, вместо отдельного софта под каждую железку.

Что это значит для тех, кто следит за темой

Если вы разработчик или планируете внедрение, практический интерес представляют не эффектные ролики, а ответы на приземлённые вопросы.

1. Через что доступна модель — открытый API, закрытая программа или только исследовательский релиз.
2. С какими корпусами роботов она совместима и нужна ли дообучка под ваше железо.
3. Какая заявлена частота управления и латентность — для реального времени это критично.
4. Как решены вопросы безопасности: что делает робот при сбое или неоднозначной команде.
5. Сколько это стоит и на каких условиях, включая коммерческое использование.

Пока индустрия ещё не прошла путь, который в своё время прошли облачные API для текста: универсальный, дешёвый и предсказуемый доступ к физическому интеллекту роботов остаётся впереди, а не позади. Whole body control — важный шаг именно потому, что расширяет класс достижимых задач. Но перенос из лаборатории на склад или в дом по-прежнему упирается в надёжность, безопасность и стоимость.

VLA (vision-language-action) — класс моделей, которые на входе принимают изображение и текстовую команду, а на выходе выдают действия для приводов робота, а не текст.