<div class="key-takeaways"><ul><li>Gemini Robotics 2 ควบคุมหุ่นยนต์ตั้งแต่เท้าถึงปลายนิ้วและแขนคู่</li><li>โมเดล ER 2 ทำหน้าที่เป็นสมองกลระดับสูงด้วยพื้นฐานจาก Gemini 3.5 Flash</li><li>โมเดล On-Device 2 ออกแบบมาให้รันในตัวเครื่องหุ่นยนต์ได้โดยตรง</li><li>รองรับการทำงานร่วมกันของหุ่นยนต์ต่างรูปแบบเพื่อส่งมอบงานต่อกัน</li></ul></div><p>วงการหุ่นยนต์ในปัจจุบันมักถูกจำกัดด้วยการตั้งโปรแกรมล่วงหน้าหรือการควบคุมระยะไกลสำหรับงานซ้ำๆ ที่แคบ ซึ่งไม่สามารถปรับตัวเข้ากับสภาพแวดล้อมที่คาดเดาไม่ได้และทักษะมักไม่ถ่ายโอนข้ามร่างหุ่นยนต์ ตัวโมเดล Gemini Robotics 2 จึงเข้ามาแก้ไขข้อจำกัดทั้งสามนี้พร้อมกัน โดยทำหน้าที่แปลงข้อมูลภาพและภาษาให้กลายเป็นคำสั่งควบคุมมอเตอร์ สามารถขับเคลื่อนหุ่นยนต์ฮิวแมนนอยด์เต็มรูปแบบตั้งแต่เท้าจรดปลายนิ้ว รวมถึงหุ่นยนต์สองแขน และยังจัดการการหยิบจับที่ละเอียดอ่อนทั้งบนมือหลายนิ้วและกริปเปอร์แบบขนาน</p><p>ในส่วนของสมองกลระดับสูงคือ Gemini Robotics ER 2 ซึ่งเป็นโมเดลวิสัยทัศน์และภาษา (VLM) ที่สื่อสารกับมนุษย์ เข้าใจโลกกายภาพ และวางแผนงานหลายขั้นตอนที่กินเวลาหลายนาที อ้างอิงจากเอกสารโมเดลระบุว่า ER 2 พัฒนาบนพื้นฐานของ Gemini 3.5 Flash รองรับข้อความ ภาพ วิดีโอ และเสียงสลับกันด้วยหน้าต่างบริบทสูงสุด 128k และส่งออกข้อความได้สูงสุด 64K โทเค็น</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_1_e7a521ed2e.jpg" alt="robot hand manipulation dexterity" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>สำหรับการออกแบบระบบจะมีการแบ่งหน้าที่อย่างชัดเจน โดย ER 2 จะวางแผนและติดตามงาน จากนั้นส่งมอบการทำงานของมอเตอร์ให้กับ VLA ที่ถูกประกาศเป็นเครื่องมือ นักพัฒนาสามารถลงทะเบียนอินเทอร์เฟซการควบคุมระดับต่ำ เช่น โมเดล VLA หรือ API การนำทาง เป็นเครื่องมือที่เรียกใช้งานได้ จากนั้นสตรีมวิดีโอ เสียง หรือข้อความหลายรูปแบบเข้าสู่โมเดลโดยตรง</p><div class="stat-row"><div class="stat-item"><span class="stat-number">91.3%</span><span class="stat-label">ความแม่นยำในการระบุช่วงเวลาสำคัญของ ER 2</span></div><div class="stat-item"><span class="stat-number">0.96s</span><span class="stat-label">ระยะเวลาความคลาดเคลื่อนเฉลี่ย</span></div></div><p>ด้านความสามารถในการรับรู้ความคืบหน้าของงาน ER 2 ทำคะแนนความแม่นยำได้ 57.4% ในการจัดหมวดหมู่เฟรมวิดีโอออกเป็นห้าะดับความคืบหน้า และยังทำความแม่นยำได้ถึง 91.3% ด้วยความคลาดเคลื่อนเฉลี่ย 0.96 วินาทีในการระบุเฟรมที่เกิดเหตุการณ์สำคัญ เช่น จังหวะที่ควรหยุดเทกาแฟลงในแก้ว ซึ่งทาง Google DeepMind รายงานว่าแข่งขันได้อย่างใกล้ชิดกับโมเดลขนาดใหญ่กว่าในความเร็วการทำงานที่สูงกว่าถึง 4 เท่า</p><blockquote class="pull-quote"><p>"Google DeepMind is direct about the remaining gap. It states that its robots have more to advance in movement speed."</p><cite>Google DeepMind</cite></blockquote><div class="ai-insight"><p>การเปิดตัวชุดโมเดล Gemini Robotics 2 สะท้อนถึงทิศทางของวงการ AI ที่พยายามเชื่อมโยง "สมอง" เข้ากับ "ร่างกาย" ของหุ่นยนต์อย่างแท้จริง การแยกส่วนประมวลผลการคิดระดับสูงออกจากระบบควบคุมมอเตอร์ช่วยให้หุ่นยนต์มีความยืดหยุ่นสูง เหมือนกับการที่มนุษย์ใช้ความคิดวางแผนล่วงหน้าก่อนจะสั่งการให้กล้ามเนื้อเคลื่อนไหว ซึ่งจะช่วยลดข้อจำกัดเดิมๆ ที่หุ่นยนต์ต้องถูกตั้งโปรแกรมเฉพาะกิจสำหรับงานเดียวเท่านั้น</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_2_1c83e5676a.jpg" alt="robot arm automation factory" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นอกจากนี้ยังมี Gemini Robotics On-Device 2 ซึ่งเป็น VLA ที่มีประสิทธิภาพสูงและปรับแต่งให้รันในเครื่องหุ่นยนต์ได้โดยตรงเพื่อแก้ปัญหาความหน่วงของเครือข่าย โดยสร้างขึ้นบนเทคโนโลยี Gemini Robotics 1.5 และโมเดล Gemma ของ Google รับอินพุตเป็นข้อความ ภาพ และค่าการรับรู้ภายในของหุ่นยนต์ พร้อมส่งออกการกระทำเป็นค่าตัวเลข</p><p>โมเดลใหม่นี้ยังเปิดประตูสู่การทำงานร่วมกันระหว่างหุ่นยนต์ต่างรูปแบบ เช่น การจับคู่หุ่นยนต์ Apptronik Apollo 2 เข้ากับ Franka F3 Duo เพื่อให้หุ่นยนต์แต่ละประเภทที่เหมาะกับงานต่างกันสามารถสื่อสารและส่งมอบงานย่อยให้กันได้อย่างราบรื่นผ่านความเข้าใจเชิงความหมายที่แชร์ร่วมกัน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/30/google-deepmind-gemini-robotics-2-whole-body-control-dexterity-multi-robot-collaboration/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Gemini Robotics 2 controls humanoids from feet to fingertips and dual arms</li><li>ER 2 acts as a high-level brain built upon Gemini 3.5 Flash</li><li>On-Device 2 is optimized to run locally on robotic hardware</li><li>Enables seamless collaboration between different robot embodiments</li></ul></div><p>Most robots today remain constrained by pre-programmed routines or tele-operation designed for narrow, repetitive tasks, struggling to adapt in unpredictable environments or transfer skills across robot bodies. Gemini Robotics 2 directly targets all three limitations at once by converting vision and language inputs into precise motor control. It drives full humanoids from feet to fingertips, operates bi-arm robots, and handles dexterous manipulation using multi-finger hands as well as parallel grippers.</p><p>Acting as the high-level brain is Gemini Robotics ER 2, an embodied reasoning model built on vision-language technology. According to its model card, ER 2 is based on Gemini 3.5 Flash, accepting interleaved text, image, video, and audio with a context window of up to 128k while outputting text up to 64K tokens to communicate with humans and plan multi-minute tasks.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_1_e7a521ed2e.jpg" alt="robot hand manipulation dexterity" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>System design relies on a clear division of labor where ER 2 plans and tracks tasks, subsequently delegating motor execution to a VLA declared as a tool. Developers can register low-level control interfaces—such as VLA models or navigation APIs—as callable tools, streaming multimodal video, audio, or text directly into the framework.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">91.3%</span><span class="stat-label">ER 2 accuracy in identifying critical event frames</span></div><div class="stat-item"><span class="stat-number">0.96s</span><span class="stat-label">Mean absolute distance error</span></div></div><p>Regarding task progress tracking, ER 2 achieves 57.4% accuracy when classifying video frames into five progress levels. It reaches 91.3% accuracy with a 0.96-second mean absolute distance when determining the exact frame for critical events, such as knowing precisely when to stop pouring coffee into a cup—competing closely with much larger model categories at four times the execution speed, as reported by Google DeepMind.</p><blockquote class="pull-quote"><p>"Google DeepMind is direct about the remaining gap. It states that its robots have more to advance in movement speed."</p><cite>Google DeepMind</cite></blockquote><div class="ai-insight"><p>The introduction of the Gemini Robotics 2 suite illustrates a pivotal shift in physical AI toward closely coupling cognitive reasoning with physical actuation. By decoupling high-level task planning from low-level motor execution, these models grant robots unprecedented adaptability, mirroring how humans conceptualize goals before engaging muscle movements to overcome traditional rigid programming boundaries.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_2_1c83e5676a.jpg" alt="robot arm automation factory" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Furthermore, Gemini Robotics On-Device 2 is an efficient VLA optimized to execute locally on robots, bypassing network latency and connectivity constraints. Built on Gemini Robotics 1.5 and Google's on-device Gemma models, it processes text, images, and robot proprioception as numerical values to output direct mechanical actions.</p><p>The framework also pioneers multi-robot collaboration by allowing distinct robot embodiments—such as Apptronik's Apollo 2 paired with a Franka F3 Duo—to communicate through a shared semantic understanding and seamlessly hand off subtasks depending on terrain and operational strengths.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/30/google-deepmind-gemini-robotics-2-whole-body-control-dexterity-multi-robot-collaboration/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_google-deepmind-physical-ai-ms7s920g.jpg

small_google-deepmind-physical-ai-ms7s920g.jpg

thumbnail_google-deepmind-physical-ai-ms7s920g.jpg

Inewgen

Inewgen

#Gemini Robotics 2

Google DeepMind Ships Three Physical AI Models For Whole Body Control

Inewgen