机器人有了可调用的「大脑 API」：Gemini Robotics ER 2 在 Google Cloud 公测

分工变了

ER 2 不直接输出电机指令，而是做「高层大脑」：理解视频里的空间与时间关系，把任务拆成步骤，调用底层 VLA（视觉-语言-动作）模型或导航 API，并在执行中自我纠正。开发者把这些底层接口声明为工具，把视频、音频、文本流式送进模型。这样换机器人本体时，上层规划逻辑不用重写。

企业版补的是什么

之前 ER 2 只是研究模型；这次进入 Gemini 平台的公开预览，接上了 Google Cloud 的企业安全、多 agent 编排和生命周期管理。对工厂和物流公司来说，能不能审计、能不能限权、出问题能不能停，比 benchmark 更重要——这正是研究模型进不了产线的主要原因。

能做什么、还差什么

官方举的例子是跨机器人团队协作、执行几分钟、上百个决策的长任务。但公开预览意味着配额、延迟和 SLA 都还不是生产级；机器人本体的适配、急停与安全验证仍然要自己做。所谓「任意机器人形态」也要看具体硬件接口是否被底层 VLA 支持。

怎么试才不浪费钱

先别做端到端演示，选一个现有自动化已经能跑、但换型成本高的工位。用同一批物料跑两周，记录成功率、人工接管次数和接管原因。如果接管主要来自感知而不是规划，换大脑的收益有限；如果卡在「下一步该做什么」，这类模型才真正对得上问题。

机器人公司的护城河正在从「模型」移到「现场数据与安全认证」，API 能买到前者，买不到后者。