本文来自微信公众号： 经观感知 ，作者：DongX
7月30日，Google更新了Gemini Robotics开发者文档，正式开放新一代具身推理模型Gemini Robotics ER 2预览版。
与机器人行业常见的发布会不同，这次升级没有伴随一场声势浩大的产品展示。
ER 2悄然出现在Google AI Studio及Gemini API中，开发者可以直接调用两个模型端点：一个面向常规具身推理任务，另一个面向实时音视频流和低延迟机器人智能体。
这种近乎软件更新式的发布方式，恰好透露出Google对机器人生意的理解。
它没有急于推出一台属于自己的通用人形机器人，也没有将所有能力封装在某一种本体中。Google正在做的，是把Gemini原本服务于电脑和手机的多模态推理能力，延伸到真实世界，再通过API接入不同形态的机器人。
在手机时代，Google用Android连接应用、芯片和终端；在具身智能时代，它试图再次占据连接模型、本体和工具的中间位置。
这一次，它争夺的是机器人的“高层大脑”。
机器人的规则
ER是Embodied Reasoning的缩写，中文通常被译为具身推理。
它与直接输出关节动作的视觉—语言—动作模型有所不同。Google将Gemini Robotics系列大致分为两层：VLA模型负责把视觉信息和指令转化为机器人动作；ER模型负责理解环境、拆解任务、调用工具，并判断机器人是否完成了当前步骤。
简单来说，前者解决“手脚怎么动”，后者解决“接下来该做什么”。
Google官方将ER模型称为机器人的“高层大脑”。当用户要求机器人收拾桌面时，它需要识别桌面上的物体，理解不同物品的用途和空间关系，决定先拿什么、放到哪里，再将任务交给抓取模型、运动规划器或机器人硬件接口执行。
ER 2的重要变化，是将这种能力从相对静态的任务规划，进一步推向持续运行的执行循环。
新模型建立在Gemini 3.5 Flash之上，新增或强化了视频片段定位、任务进度分类、多机器人协同以及多步骤工具调用。它不只需要回答画面中有什么，还要从连续视频中判断某个动作何时开始、执行到哪一步、是否已经成功以及是否需要重试。
在此之前，机器人模型的一项现实问题是，规划与执行容易脱节。
模型可以生成一套看起来合理的步骤，但真实世界不会严格按照计划运行。杯子可能滑动，箱子可能被挪走，机械臂也可能在抓取时落空。机器人需要在动作过程中持续观察结果，再决定继续、暂停或重新规划。
ER 2新增的视频进度理解，正是试图补上这一环。
Google同时推出了gemini-robotics-er-2-streaming-preview。这一版本通过Live API持续接收音频和视频流，并支持低延迟函数调用。相比“拍一张图片、发送一次请求、等待一个答案”，流式模型让机器人能够保持与环境的连续连接。
它未必意味着机器人已经具备人的物理直觉，但至少意味着模型开始从观察一个画面，走向观察一个正在发生的过程。
这也是ER 2真正值得关注的升级。
Google的开放做法
尽管被称作机器人的“大脑”，ER 2并不是一套完整的机器人控制模型。
根据Google公开的模型信息，ER 2接收文本、图像、视频和音频，输出仍然是文本。它可以给出物体坐标、边界框、任务步骤和工具调用指令，却不会直接输出电机控制信号。开发者仍需要将其与VLA模型、抓取模型、运动控制器以及机器人自身的硬件接口连接起来。
这一区别很重要。
Google没有试图用一个端到端模型包办机器人从理解到执行的全部环节。它更接近在不同能力之间建立一层调度系统：上接语言和视觉模型，下接机械臂、传感器、控制算法以及企业自定义的软件工具。
例如，当ER 2收到“把苹果放进碗里”的指令，它可以将任务拆解为定位苹果、确认碗的位置、调用抓取接口、执行放置以及判断任务是否完成。真正控制机械臂运动的，仍然可以是机器人厂商自己的模型。
这种架构给Google留下了更大的进入空间。
机器人行业仍缺少统一硬件形态。人形机器人、轮式双臂机器人、工业机械臂和四足机器人，对动作模型和控制系统的需求差异明显。若押注某一种本体，模型能够覆盖的市场也会受到限制。
高层推理和任务调度却具有更强的通用性。
Google DeepMind公开展示的Gemini Robotics能力，已覆盖ALOHA双臂平台、Franka机械臂以及Apptronik Apollo人形机器人。官方对产品的表述也是面向“不同形状和尺寸”的机器人，而非只服务于人形本体。
Google希望证明，只要底层机器人能够暴露可调用的控制接口，Gemini就可以成为它们共同的任务入口。
这使ER 2更接近机器人的中间件，而不仅是一款视觉语言模型。
瞄准“上层”控制
ER 2还首次突出多机器人协同能力。
在单台机器人中，模型需要决定一条机械臂下一步如何工作；进入仓库、工厂和商业空间后，任务往往需要由多种设备共同完成。
一台移动机器人负责运输，一台机械臂负责装卸，固定摄像头提供环境信息，另一台设备负责扫描或质检。机器人之间不仅要完成各自动作，还需要理解整个任务的进度、前后依赖和异常状态。
传统自动化系统可以依靠预设流程完成稳定任务。一旦订单、物料或环境发生变化，企业通常需要重新编写规则。
ER 2试图把自然语言理解、视觉判断和工具调用放在同一层中，让模型成为多台机器人之间的动态调度者。Google把这项能力称为“机器人智能体编排”，即模型可以调用VLA、机器人函数和其他工具，完成更长周期的任务。
这一步的商业价值，可能比让人形机器人完成某个炫目的单项动作更直接。
今天已经进入工厂和仓库的大量设备，并不缺少稳定执行单一动作的能力。真正制约自动化进一步扩展的，是设备之间难以灵活协同，系统无法低成本处理频繁变化的任务。
如果大模型能够把自然语言任务转化为多设备可执行的流程，机器人部署的边界可能由“固定工位”向更开放的场景延伸。
Google由此进入的，也不只是人形机器人市场。工业自动化软件、仓储调度系统和机器人开发平台，都可能成为ER模型的落点。
机器人的“Android”
将Google的机器人战略类比为Android很有吸引力，但现在下结论仍然过早。
智能手机拥有相对标准化的计算架构和交互方式。机器人面对的却是高度复杂的物理世界。不同设备在关节数量、负载能力、传感器配置、控制频率和安全边界上差别巨大，模型无法像手机应用一样，在不同本体之间直接复制。
Google自己也没有掩饰当前模型的局限。
官方开发文档提示，复杂请求、高分辨率输入和更高的推理等级会增加延迟；模型可能产生幻觉；空间输出会受到光照、对比度和提示词质量影响。对于高精度任务，Google甚至建议开发者多次调用模型并对结果取平均值。
这些限制在聊天机器人中可能只是回答错误，进入物理世界后却可能变成碰撞、物品损坏甚至人员风险。
ER 2目前仍处于预览阶段。Google尚未公开足够完整的ER 2基准测试，也没有披露其在真实商业场景中的长期运行数据。它在连续工作数小时、面对陌生环境和处理复杂异常时能否保持稳定，还需要机器人企业验证。
流式视频和音频接入还带来了新的数据问题。
机器人在工厂、商场和家庭中运行时，可能持续采集人的声音、面部和行为信息。Google已经在开发者条款中明确要求，当机器人可能采集可识别的个人数据时，运营方需要提前告知并获得相关人员同意，同时尽量减少数据采集。
这意味着，机器人“大脑”接入云端模型并不是单纯的技术选择，还涉及数据边界、部署成本和企业对核心系统的控制权。
在工厂等敏感场景中，客户是否愿意让生产视频和任务数据持续进入外部模型，将直接影响ER 2的商业化速度。
场景亦是筹码
过去两年，中国具身智能企业普遍强调全栈自研。
从本体、关节、灵巧手到世界模型和VLA，拥有完整技术链条被视为企业估值的重要支撑。Google将ER能力以API形式开放后，这套叙事会面临新的检验。
当通用的空间理解、任务拆解、视频进度判断和工具调用能力可以外购，机器人企业是否仍有必要从头训练一套相似模型？
答案取决于企业真正拥有的壁垒。
对于缺少模型团队的本体厂商，调用Google等公司的基础模型，可以降低进入智能机器人市场的门槛；对于拥有场景数据和客户资源的企业，通用模型也可能帮助它们更快完成产品验证。
但外部模型不会消除机器人企业的价值。
ER 2能够判断“应该拿起哪个物体”，却不直接解决机械臂能否稳定抓住；它可以生成任务计划，却无法替代企业对负载、速度、功耗和安全边界的工程理解；它能够接收工厂视频，也不会天然掌握某条产线多年积累的工艺数据。
随着基础模型能力逐步成为公共供给，机器人企业需要重新回答一个问题：自己究竟在模型、本体、数据和场景中掌握了哪一项不可替代的能力。
对中国企业而言，制造业场景和真实运行数据仍是重要筹码。大量机器人进入工厂、物流、零售和城市服务后，企业能够获得Google难以从互联网直接获取的物理交互数据。
模型开放不会让所有企业站在同一起跑线上，只会让单纯拥有一个“自研模型”名称变得不再稀缺。
下一块计算界面
从搜索、手机到生成式AI，Google长期争夺的都是人与计算系统之间的入口。
机器人提供了一个新的界面。
当计算从屏幕走向真实空间，用户不再通过点击图标调用服务，而是直接说出一个目标，由机器人观察环境、理解意图并完成任务。谁掌握这层理解和调度能力，谁就可能影响未来机器人如何连接搜索、地图、云服务和其他数字工具。
Gemini Robotics ER 2已经支持Google搜索、函数调用、代码执行等能力。机器人由此不再只是执行预先写好的程序，它可以先查找信息，再结合现场环境制定行动方案。
Google真正想连接的，可能并非某一台机器人，而是数字世界和物理世界之间的调用链。
从目前的能力看，ER 2距离通用机器人“大脑”仍有明显距离。它没有直接解决机器人最困难的精细操作、实时控制和安全运行问题，也尚未证明能够在真实场景中长期可靠工作。
但它已经给出了Google的选择。
与其加入本体公司的产能竞赛，Google更愿意站在本体之上，为不同机器人提供观察、判断和调度能力。一旦这种分工成立，机器人企业负责制造身体，Google则试图决定身体如何理解世界。
在智能手机时代，Android让Google没有亲自生产每一部手机，也能进入数十亿台终端。
进入物理智能时代，Google希望复制的未必是Android的产品形态，而是那套熟悉的商业位置：不包办所有硬件，却掌握最重要的软件入口。