Google DeepMinds neues Robotergehirn soll vom Tischarm bis zum Humanoiden alles steuern
Gemini Robotics 2 und Gemini Robotics ER 2 teilen Robotersteuerung in Denken und Bewegen. Was ein Vision-Language-Action-Modell ist, und welches System noch auf einer Warteliste steht.
Google DeepMind hat Gemini Robotics 2 vorgestellt, nach eigener Aussage sein bisher fortschrittlichstes Vision-Language-Action-Modell, sowie ein zweites Modell namens Gemini Robotics ER 2. Ein einziges Modell soll sehr unterschiedliche Maschinen steuern können: vom kleinen, am Tisch befestigten Arm bis zum vollständigen Humanoiden. Es soll Ganzkörperbewegungen, feinmotorische Aufgaben und die Zusammenarbeit mehrerer Roboter beherrschen.
Der Begriff Vision-Language-Action-Modell, kurz VLA, erklärt das Prinzip. Das Modell verarbeitet Bilder aus den Roboterkameras und Anweisungen in normaler Sprache und erzeugt daraus Aktionen, also konkrete Motorbefehle für Gelenke und Greifer. Vor VLAs waren diese drei Teile meist getrennte Systeme, deren Verbindung viele Roboter scheitern ließ. In einem Modell gebündelt, genügt die Anweisung „Stell die Tasse ins Spülbecken“, statt jeden Zentimeter der Bewegung zu programmieren.
Gemini Robotics ER 2 übernimmt eine andere Aufgabe. ER steht für Embodied Reasoning, den weniger spektakulären, aber womöglich schwierigeren Teil: eine physische Szene verstehen und entscheiden, was als Nächstes geschehen soll. Das Modell sitzt als Planer über dem Aktionsmodell und ersetzt Gemini Robotics ER 1.6 vom April. ER 2 lässt sich in Google AI Studio testen. Gemini Robotics 2 ist dagegen nicht allgemein verfügbar; Entwickler müssen sich auf eine Warteliste setzen lassen.
Was dahintersteckt. Die Aufteilung in zwei Modelle ist der Kern und entspricht einem breiteren KI-Trend. Ein großes, langsames, teures Modell denkt; ein schnelleres Spezialmodell handelt. Microsoft fordert dieselbe Arbeitsteilung für Textmodelle, Anthropic liefert Fable 5 als delegierenden Manager. In der Robotik ist sie noch notwendiger, weil ein Roboterarm nicht mehrere Sekunden warten kann, bis ein Reasoning-Modell einen Absatz beendet. Die Erwartungen sollten trotzdem nüchtern bleiben: DeepMinds Zahlen stammen aus eigenen Vorführungen, ein unabhängiger Benchmark für „Kann dieser Humanoide Wäsche waschen?“ existiert nicht, und eine Warteliste ist noch lange kein Produkt.
Was das für dich bedeutet: Für die meisten Menschen heute nichts, und das ist in Ordnung. Dieses Jahr zieht kein Gemini-Humanoid in eine Wohnung ein. Neugierige können ER 2 tatsächlich in AI Studio ausprobieren und beobachten, wie ein Modell eine physische Szene beurteilt. Für Fachleute ist nicht die Humanoiden-Vorführung entscheidend, sondern der Anspruch, viele verschiedene Roboterkörper mit einem Modell zu steuern. Robotik war bisher maßgeschneidert, mit einem Kontrollsystem pro Maschine. Eine allgemeine Ebene, die sich auf unterschiedliche Hardware übertragen lässt, würde die Wirtschaftlichkeit stärker verändern als jedes einzelne beeindruckende Video.
Quellen
Mira Muratis Labor schrumpft sein Modell auf ein Viertel und verliert nur einen Punkt
Thinking Machines veröffentlicht Inkling Small, ein Open-Weights-Reasoning-Modell mit 276 Milliarden Parametern. Es erzielt 40 Punkte, das Original mit 975 Milliarden kommt auf 41.
