🧠 Google Gemini Robotics 2.0: inteligencia corporal completa para robots

Google DeepMind ha presentado Gemini Robotics 2, una suite de tres modelos de IA diseñados para dar a los robots humanoides la capacidad de realizar tareas complejas en el mundo real. A diferencia de versiones anteriores donde los robots执行aban tareas programadas de forma rígida, esta nueva generación apunta a lo que DeepMind llama "AGI físico": un robot generalista al que le dices qué hacer y lo hace.

Los tres modelos

La suite se compone de:

• Gemini Robotics ER 2 (Embodied Reasoning): un modelo de lenguaje visual (VLM) que procesa feeds de video en vivo desde las cámaras del robot. Puede clasificar la completitud de frames de video con casi un 60% de precisión e identificar momentos clave en una tarea (como cuándo dejar de verter café) con un 90% de precisión. Está integrado con la Gemini Live API y ya está disponible para desarrolladores.

• Gemini Robotics 2: el modelo de acción que genera movimientos robóticos a partir de instrucciones, de la misma forma que otros modelos generativos crean texto o imágenes. Es el encargado de traducir el "entendimiento" del ER 2 en movimiento físico.

• Gemini Robotics On-Device 2: una versión de baja latencia que funciona sin conexión. Lo más notable es que se adapta a nuevos diseños de robot con solo unas horas de datos de movimiento (aproximadamente 200 ejemplos).

Colaboración y recuperación de fallos

Una de las novedades más significativas es la capacidad de colaboración entre robots. En las demos, el robot Apollo 2 de Apptronik y el Franka F3 Duo trabajan juntos en una tarea sin interferirse. Además, el sistema ahora puede detectar fallos en tiempo real y reintentar un paso específico en lugar de volver al inicio completo — por ejemplo, si un objeto se mueve, el robot simplemente reajusta su posición.

Seguridad: el benchmark ASIMOV-Agentic

Con robots compartiendo espacio físico con humanos, la seguridad es crítica. DeepMind ha creado ASIMOV-Agentic, un nuevo benchmark que evalúa si un agente de razonamiento encarnado se niega a ejecutar llamadas de herramientas inseguras, si puede determinar si una tarea es posible de completar de forma segura, y si puede solicitar ayuda humana cuando no está seguro. Según DeepMind, el ER 2 es su modelo más seguro hasta la fecha, con capacidad robusta para detener acciones cuando un humano está demasiado cerca.

El benchmark completo está disponible en Hugging Face. Los modelos de acción (Gemini Robotics 2 y On-Device 2) aún están en fase de pruebas con un grupo reducido de testers.