Hat Google Robotics einen großen Coup gelandet, um das Branchenproblem der „letzten paar Zentimeter“ zu überwinden?

Vor einiger Zeit reiste das Berichterstattungsteam von Leike Technologie zur WAIC 2026 vor Ort, um diese globale KI-Messe aus nächster Nähe zu beobachten und erlebte eine beispiellose Initiation von humanoiden Robotern.

Mehr als 200 robotikbezogene Unternehmen und über 300 echte Roboter traten gegeneinander an – von dem drei Meter großen bemannten transformierbaren Mech von Unitree, das ständig seine Form wechselt, bis hin zu dem Roboter von Agibot, der mit einer Pinzette einen 2 Millimeter großen Widerstand aufnimmt und ihn auf eine Leiterplatte lötet. Die Rückwärtssalto und mechanischen Tänze, die früher am meisten Zuschauer anzogen, sind immer noch da, aber die Hersteller wollen zunehmend etwas anderes beweisen:

Roboter können nicht nur sich bewegen, sondern auch arbeiten, und sogar mehr Aufgaben erledigen.

Aber einen „Körper“ zu bauen, der laufen, springen und die Arme ausstrecken kann, ist nicht mehr die knappste Fähigkeit der Gegenwart. Der echte Engpass ist das „Gehirn“: Wie man den Roboter dazu bringt, eine unübersichtliche Umgebung zu verstehen, zu entscheiden, was als Nächstes zu tun ist, und diese Entscheidung dann stabil an Dutzende von Gelenken zu übermitteln.

Mehr als eine Woche nach Ende der WAIC stellte Google DeepMind Gemini Robotics 2 vor, ein universelles Modell für Roboter mit dem Schwerpunkt „Ganzkörperintelligenz“, das für Roboter verschiedenster Formen geeignet ist.

Aber das wichtigste Stichwort ist nach wie vor „Ganzkörperintelligenz“. Wenn ein Mensch sich bückt, um eine Wasserflasche auf dem Boden aufzuheben, lehnt er sich natürlich nach vorne, beugt die Knie, streckt die Hand aus und passt gleichzeitig seinen Schwerpunkt an. Wenn er einen Selbstverschlussbeutel verschließt, richtet er natürlich die beiden Verschlussseiten aus, drückt dann mit den Fingern von einem Ende zum anderen und passt die Kraft ständig an die Verformung des Kunststoffs an. Roboter müssen dagegen eine Kette von miteinander verbundenen Bewegungen nacheinander korrekt berechnen.

Bildquelle: Google DeepMind

Je vollständiger die Körperteile sind, desto mehr steigt die Steuerungsschwierigkeit wie ein Schneeball.

Die Veröffentlichung von Google umfasst diesmal drei Modelle. Gemini Robotics ER 2 ist für das Verständnis der Umgebung, die Planung langer Aufgaben und die Kommunikation mit Menschen zuständig. Das VLA-Modell Gemini Robotics 2 wandelt visuelle und sprachliche Eingaben direkt in Bewegungen um. On-Device 2 komprimiert das Bewegungsmodell auf das lokale Gerät und kann mit weniger als 200 Beispielen und Daten aus wenigen Stunden an neue Roboterplattformen angepasst werden.

Aber der Kern liegt darin, dass Google nun eine Gruppe von Modellen einsetzt, um die Beine, den Rumpf, die Arme und die Finger eines humanoiden Roboters zu koordinieren, sodass er gleichzeitig denkt und schlussfolgert sowie sich bewegt und operiert.

Roboter müssen endlich nicht mehr „zuerst stehen bleiben, dann die Hand ausstrecken“

Viele Roboter-Demonstrationen der Vergangenheit vermittelten einen starken Eindruck von rundenbasierten Spielen: Der Roboter geht zuerst zum Tisch, stoppt, steht stabil und ruft dann den mechanischen Arm auf, um das Objekt zu greifen. Nach dem Greifen wechselt er wieder zum Laufcontroller, um zur nächsten Position zu gelangen. Jede einzelne Bewegung kann sehr gut aussehen, aber sobald der Tisch ein wenig verrutscht, das Objekt rutscht oder er den Griff beim Gehen aufrechterhalten muss, treten die Schnittstellen mehrerer unabhängiger Module zutage.

Die Vorgängergeneration von Gemini Robotics steuerte hauptsächlich den Oberkörper des Roboters an und bearbeitete Aufgaben auf der Tischoberfläche. Bei Gemini Robotics 2 läuft der Apptronik Apollo 2 im offiziellen Video zu der grünen Wasserflasche auf dem Boden, beugt sich vor und hebt sie auf. In einem anderen Bildausschnitt geht Apollo 2 zum Regal, holt einen Baseballhandschuh heraus und dreht sich dann zum Gehen weg.

Bildquelle: Google DeepMind

Diese Bewegungen wirken unspektakulär, hängen aber gleichzeitig von Sichtfeld, Reichweite, Gangart und Schwerpunkt ab. Wenn der Arm weiter ausgestreckt wird, muss der Körper nach vorne geneigt werden. Wenn der Körper nach vorne geneigt wird, müssen die Beine dies rechtzeitig kompensieren.

Das Video weist ausdrücklich darauf hin, dass die Roboter im Bild vollständig autonom betrieben werden und die Bewegungen in echter Geschwindigkeit abgespielt werden.

Das ist auch die tatsächliche Bedeutung von „Ganzkörper“: Das Modell betrachtet die Beine nicht mehr nur als Transportmittel und die Hände als Arbeitswerkzeug, sondern sieht den gesamten Körper als einen gekoppelten Bewegungsraum. Laut Google wird dasselbe Modell bereits für Apollo 2 mit verschiedenen geschickten Händen und für Franka Duo mit Zwei-Finger-Greifern verwendet. Zumindest in technischer Hinsicht will es nicht nur ein spezialisiertes Gehirn sein, das an ein bestimmtes humanoides Roboter angepasst ist.

Natürlich sind die Demonstrationen nicht so schnell, dass sie einen falschen Eindruck erwecken. Die Geschwindigkeit von Apollo beim Gehen, Hocken und Platzieren von Objekten ist sehr langsam, und Google selbst gibt zu, dass die Bewegungsgeschwindigkeit noch verbessert werden muss. In offiziellen Tests betrugen die durchschnittlichen Erfolgsraten von Apollo beim Entnehmen von Objekten von der Tischoberfläche, dem Boden und dem Regal 68,4 %, 45,7 % bzw. 76,3 %. Die Aufgabe des Entnehmens von Objekten vom Boden, die die Ganzkörpersteuerung am besten widerspiegelt, ist genau die Aufgabe mit der niedrigsten Erfolgsrate.

Die Richtung stimmt, die Bewegungen sind aber noch nicht flink genug.

Vom Eindrehen einer Glühbirne bis zum Zubinden eines Müllsacks: Die Schwierigkeit von Robotern liegt in den „letzten paar Zentimetern“

Die Ganzkörpersteuerung löst die Frage, wie der Roboter ankommt und stabil steht. Was wirklich darüber entscheidet, ob er in Haushalte und Fabriken Einzug halten kann, sind oft die letzten paar Zentimeter.

Im offiziellen Video verwendet Apollo 2 eine fünf Finger umfassende SharpaWave-Geschicklichkeitshand mit 22 Freiheitsgraden, um zu versuchen, eine Glühbirne einzudrehen, einen Selbstverschlussbeutel zu verschließen und einen Müllsack zuzubinden. Auf der anderen Seite sind die beiden Greifer von Franka Duo dafür zuständig, Werkzeuge unterschiedlicher Formen dicht in den Werkzeugkasten zu legen.

Bildquelle: Google DeepMind

Die häufigsten Greifdemonstrationen von Robotern in der Vergangenheit bestanden oft nur darin, ein hartes Objekt von Punkt A zu Punkt B zu transportieren. Diese Aufgaben erfordern dagegen kontinuierlichen Kontakt, Zusammenarbeit beider Hände und Anpassung an Verformungen: Plastiktüten kollabieren, Seilknöpfe rutschen, und die Glühbirne muss sowohl am Gewinde ausgerichtet als auch nicht zu fest gedrückt werden.

Wenn Menschen diese Dinge tun, berechnen sie nicht zuerst, wie viel Grad jeder der 22 Gelenke sich dreht. Was Gemini Robotics 2 tun soll, ist genau diese hochfrequenten, kontinuierlichen Bewegungen direkt aus visuellen Informationen und Anweisungen zu generieren.

Aber die von Google veröffentlichten Ergebnisse sind auch sehr ehrlich. Die durchschnittlichen Erfolgsraten der Zwei-Finger-Greifer bei allgemeinem Greifen und Ablegen, der Werkzeuganpassung und dem präzisen Einfügen erreichten 74,2 %, 78,9 % bzw. 89,6 %. Bei mehrfingrigen Geschicklichkeitshänden klaffen die Unterschiede schnell auseinander: Das Herausdrehen der Glühbirne erreichte 92 %, das Eindrehen der Glühbirne nur 36 %, das Zubinden des Müllsacks 44 %, und die Verwendung eines Kehrblechs sowie das Verschließen des Selbstverschlussbeutels erreichten nur 32 % bzw. 40 %.

Diese Zahlen zeigen auch, dass große Modelle bereits ziemlich komplexe Handbewegungen übernehmen können, aber die mehrfingrige geschickte Bedienung ist bei weitem nicht auf dem „menschlichen Niveau“, wie es auf der offiziellen Modellseite heißt. Zumindest zur Zeit kann ein Roboter beim Eindrehen einer Glühbirne immer noch sechs von zehn Mal scheitern.

Bildquelle: Google DeepMind

Die dritte Veränderung ist die Zusammenarbeit. Im Video sortieren Apollo und Franka Duo gemeinsam den Werkzeugkasten. Apollo gibt die Aufgabe aus, Duo legt die Werkzeuge in den Kasten, die beiden Roboter betreiben jeweils ein eigenes Modell, verteilen und verbinden die Arbeit durch hochgradige Schlussfolgerungen, anstatt dass ein zentrales neuronales Netz zwei Körper gleichzeitig steuert. ER 2 schaut sich auch kontinuierlich das Video an, um den Aufgabenfortschritt zu beurteilen, Fehler zu erkennen und zu entscheiden, ob ein Wiederholungsversuch unternommen werden soll.

Das ist etwas anderes als zwei Roboter, die mechanisch voreingestellte Arbeitsabläufe ausführen. Google will Roboter verschiedener Formen dazu bringen, zuerst zu verstehen, worin ihre Stärken liegen, und dann Aufgaben wie ein Team zu übergeben. Das offizielle Video zeigt aber eine durchdesignte, mehrere Minuten lange Szene der Werkzeugaufbewahrung, und es besteht noch eine große Lücke zur mehrmonatigen kontinuierlichen Zusammenarbeit mehrerer Roboter in echten Fabriken, die lange Stabilitätsprüfungen erfordert.

Google hat das „Groß- und Kleinhirn“ nicht aufgegeben, sondern nur die Grenzen des Körpers aufgebrochen

In der Branche der verkörperten Intelligenz wird die Architektur von Robotern derzeit allgemein als „Großhirn“ und „Kleinhirn“ zusammengefasst. Große Modelle sind dafür zuständig, Anweisungen zu verstehen und Aufgaben zu zerlegen, kleine Modelle und traditionelle Controller übernehmen Navigation, Gleichgewicht und Greifen. Diese Vorgehensweise ist sehr pragmatisch: Hochgradige Schlussfolgerungen müssen nicht hunderte Mal pro Sekunde ausgeführt werden, und die untergeordnete Steuerung kann nicht darauf warten, dass ein großes Modell langsam denkt. Wenn Module getrennt sind, sind Bereitstellung, Debugging und Sicherheitsabsicherung einfacher.

Das Problem liegt darin, dass die physische Welt keine sauberen Modulgrenzen mag.

Das Heben eines schweren Objekts verändert das Gleichgewicht, das Vorwärtsschreiten verändert die Reichweite des Arms, und sobald die Tasse in der Hand rutscht, ist die ursprüngliche Pfadplanung sofort ungültig. Solange das hochgradige Planen und die untergeordneten Bewegungen nicht übereinstimmen, häufen sich Fehler bei langen Aufgaben an. Jeder Wechsel vom Gehen zum Greifen und vom Greifen zurück zur Navigation kann auch zu Unterbrechungen führen. Der Roboter hat den Plan richtig gemacht, aber der Körper hat ihn nicht ausgeführt.

Streng genommen hat Google aber das „Groß- und Kleinhirn“ nicht aufgegeben. ER 2 ist nach wie vor das hochgradige Gehirn, das für Sehen, Denken, Planen und Aufrufen von Werkzeugen zuständig ist und dann die Bewegungsausführung an das VLA übergibt. Es kann sogar Navigations-APIs, Schnittstellen für mechanische Arme und VLA-Modelle anderer Hersteller als Werkzeuge betrachten.

Was Google gelöst hat, ist die Aufteilung von Gehen, Gleichgewicht, Rumpf- und Armbewegungen in eine Reihe unabhängiger Kleinhirne auf der Bewegungsebene. Gemini Robotics 2 vereinheitlicht die gesamten Körperbewegungen mit einem VLA, und ER 2 kann gleichzeitig die Ausführung beobachten und über die nächsten Schritte nachdenken, wodurch das Gefühl der Trennung verringert wird, dass der Roboter bei jedem Schritt „anhalten und nachdenken“ muss.

Bildquelle: Google DeepMind

Das ist eine genauere Trennlinie: Die oberen Ebenen bleiben hierarchisch aufgeteilt, während der Körper end-to-end gesteuert wird.

Das erklärt auch, warum Google nicht alle Glieder in ein riesiges Netzwerk gesteckt hat. Die untergeordnete Steuerung von Robotern strebt nach Millisekunden-Antworten, während die hochgradige Schlussfolgerung möglicherweise Daten abrufen und unklare Anforderungen von Menschen verstehen muss. Beide erfordern unterschiedliche Rechenleistung, Daten und Ausführungsfrequenzen. Wenn alles miteinander vermischt wird, steigen die Trainingskosten schnell an, und wenn ein Problem auftritt, ist es schwer zu beurteilen, ob der Plan falsch war oder das Gelenk die Aufgabe nicht korrekt ausgeführt hat.

Realistischer ist das Sicherheitsproblem. Das Modell kann entscheiden, die Wasserflasche auf das Regal zu legen, aber Notstopp, Geschwindigkeitsbegrenzung und der Sicherheitsabstand zwischen Mensch und Roboter können nicht nur durch Wahrscheinlichkeiten gewährleistet werden. ER 2 führt Sicherheitsbeschränkungen, Durchführbarkeitsbeurteilungen und Anfragen zur menschlichen Intervention ein, während auf der unteren Ebene traditionelle physische Sicherheitsmechanismen beibehalten werden, was zeigt, dass Google nicht beabsichtigt, die gesamte Verantwortung der End-to-End-Lernmethode zu überlassen.

Dieser Ansatz ist nicht einzigartig für Google. Helix 02, das Figure Anfang dieses Jahres veröffentlicht hat, schließt auch alle Sensoren in eine ganzkörperliche visuelle Bewegungsstrategie ein, sodass System 1 die Gelenkziele des gesamten Körpers mit 200 Hz ausgibt, System 0 Gleichgewicht und Kontakt mit 1 kHz verarbeitet, und das oberste System 2 weiterhin für die semantische Schlussfolgerung zuständig ist. Es sieht wie ein einziges Modell aus, intern ist es aber immer noch ein dreischichtiges System, das nach unterschiedlichen Zeitskalen eng miteinander verzahnt ist.

Das neueste GO-2 von Agibot bezeichnet das Problem direkt als „Semantik-Ausführungs