Durchbruch, diese Welle der Google-Roboter ist absolut überwältigend: Sie können Müllsäcke zubinden, Wasserflaschen aufheben und Glühlampen austauschen.
Vor einiger Zeit reiste das Berichterstattungsteam von Leike Tech für die WAIC 2026 direkt zum Veranstaltungsort, um diese globale KI-Messe aus nächster Nähe zu beobachten – und erlebte eine nie dagewesene Initiationszeremonie für humanoide Roboter.
Mehr als 200 roboterbezogene Unternehmen und über 300 echte Roboter traten gegeneinander an: Von dem drei Meter hohen bemannten transformierbaren Mech von Unitree, der ständig seine Form wechselt, bis hin zu dem Roboter von Agibot, der mit einer Pinzette einen 2 Millimeter großen Widerstand greift und ihn auf eine Leiterplatte lötet. Die Rückwärtssalto und mechanischen Tänze, die früher am meisten Zuschauer anzogen, sind immer noch zu sehen – 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 liegt im "Gehirn": darin, wie man Roboter dazu bringt, chaotische Umgebungen zu verstehen, zu entscheiden, was als Nächstes zu tun ist, und die Entscheidung stabil an Dutzende von Gelenken zu übermitteln.
Etwas mehr als eine Woche nach Ende der WAIC stellte Google DeepMind Gemini Robotics 2 vor, ein universelles Roboter-Modell mit dem Schwerpunkt "Ganzkörperintelligenz", das für Roboter unterschiedlichster Formen geeignet ist.
Aber das wichtigste Schlüsselwort bleibt "Ganzkörperintelligenz". Wenn ein Mensch sich bückt, um einen Wasserkocher vom Boden aufzuheben, lehnt er sich natürlich vor, beugt die Knie, streckt die Arme aus und passt gleichzeitig seinen Schwerpunkt an. Wenn er einen Druckverschlussbeutel 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 hingegen müssen eine Kette von miteinander verbundenen Bewegungen nacheinander korrekt berechnen.
Bildquelle: Google Deepmind
Je vollständiger die Körperkomponenten sind, desto mehr schneeballartig steigt der Schwierigkeitsgrad der Steuerung.
Die heutige Veröffentlichung von Google umfasst drei Modelle: Gemini Robotics ER 2 ist für das Verständnis von Umgebungen, die Planung langwieriger Aufgaben und die Kommunikation mit Menschen zuständig. Das VLA-Modell Gemini Robotics 2 wandelt Seheindrücke und Sprache direkt in Bewegungen um. On-Device 2 komprimiert das Bewegungsmodell auf das lokale Gerät und kann mit weniger als 200 Beispielen und Daten von wenigen Stunden an neue Roboter-Körper angepasst werden.
Aber der Kernpunkt ist: Google beginnt, mit einer Gruppe von Modellen die Beine, den Rumpf, die Arme und die Finger eines humanoiden Roboters zu koordinieren, sodass er gleichzeitig denkt, schlussfolgert und Bewegungen ausführt.
Roboter müssen endlich nicht mehr "zuerst stehen bleiben, dann die Arme ausstrecken"
Viele Roboter-Demonstrationen in der Vergangenheit hatten einen starken Eindruck von rundenbasierten Spielen: Der Roboter ging zuerst zum Tisch, stoppte, stand fest, und aktivierte dann den mechanischen Arm, um Objekte zu greifen. Nach dem Greifen wechselte er wieder zum Geh-Controller, um zum nächsten Ort zu gelangen. Jede einzelne Bewegung konnte sehr gut aussehen – aber sobald der Tisch ein wenig verschoben war, das Objekt rutschte oder er den Griff während des Gehens aufrechterhalten musste, zeigten sich die Fugen zwischen mehreren unabhängigen Modulen.
Die vorherige Generation von Gemini Robotics steuerte hauptsächlich den Oberkörper des Roboters und bearbeitete Aufgaben auf dem Tisch. Bei Gemini Robotics 2 geht Apptronik Apollo 2 im offiziellen Video auf den grünen Wasserkocher zu, der auf dem Boden steht, beugt sich vor und hebt ihn auf. In einer anderen Szene geht Apollo 2 zum Regal, holt einen Baseballhandschuh heraus und dreht sich dann 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 sich der Körper nach vorne lehnen. Wenn sich der Körper nach vorne lehnt, müssen die Beine dies rechtzeitig ausgleichen.
Das Video weist ausdrücklich darauf hin, dass alle Roboter in den Aufnahmen autonom betrieben werden und die Bewegungen in echter Geschwindigkeit wiedergegeben werden.
Das ist auch die tatsächliche Bedeutung von "Ganzkörper": Das Modell betrachtet die Beine nicht mehr als Transportmittel und die Hände nicht mehr als Arbeitsmittel, sondern sieht den gesamten Körper als einen gekoppelten Bewegungsraum. Laut Google wurde dasselbe Modell bereits für Apollo 2 mit unterschiedlichen geschickten Händen und für Franka Duo mit Zweifinger-Greifern verwendet. Zumindest in technischer Hinsicht will es nicht nur ein spezialisiertes Gehirn sein, das für ein bestimmtes humanoides Roboter-Modell angepasst ist.
Natürlich sind die Demonstrationen auch nicht so schnell, dass sie einen falschen Eindruck erwecken. Die Geschwindigkeit, mit der Apollo läuft, hockt und Objekte platziert, ist sehr langsam. Google selbst gibt zu, dass die Bewegungsgeschwindigkeit noch verbessert werden muss. In offiziellen Tests betrugen die durchschnittlichen Erfolgsraten von Apollo beim Greifen von Objekten vom Tisch, vom Boden und aus dem Regal 68,4 %, 45,7 % bzw. 76,3 %. Die Aufgabe des Greifens von Objekten vom Boden, die die Ganzkörpersteuerung am besten widerspiegelt, hat genau die niedrigste Erfolgsrate.
Die Richtung stimmt, nur die Bewegungen sind 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 das Problem, wie Roboter an Orte gelangen und stabil stehen. Was wirklich darüber entscheidet, ob sie in Haushalte und Fabriken Einzug halten können, sind oft die letzten paar Zentimeter.
Im offiziellen Video verwendet Apollo 2 eine fünffingrige SharpaWave-Geschickte Hand mit 22 Freiheitsgraden, um zu versuchen, eine Glühbirne einzudrehen, einen Druckverschlussbeutel zu verschließen und einen Müllsack zuzubinden. Auf der anderen Seite sind die beiden Greifer von Franka Duo dafür zuständig, Werkzeuge unterschiedlicher Form eng in einen Werkzeugkasten zu legen.
Bildquelle: Google Deepmind
Die häufigsten Greifdemonstrationen von Robotern in der Vergangenheit bestanden oft nur darin, ein hartes Objekt von Punkt A nach Punkt B zu transportieren. Diese Aufgaben erfordern hingegen kontinuierlichen Kontakt, Zusammenarbeit beider Hände und Umgang mit Verformungen: Plastiktüten kollabieren, Knoten rutschen, Glühbirnen müssen gleichzeitig auf das Gewinde ausgerichtet und nicht zu fest gedrückt werden.
Wenn Menschen diese Dinge tun, überlegen sie nicht zuerst, wie viel Grad jeder der 22 Gelenke drehen soll. Genau das soll Gemini Robotics 2 leisten: diese hochfrequenten, kontinuierlichen Bewegungen direkt aus Seheindrücken und Anweisungen zu generieren.
Aber die von Google veröffentlichten Ergebnisse sind auch sehr ehrlich. Die durchschnittlichen Erfolgsraten der Zweifinger-Greifer bei allgemeinem Greifen und Ablegen, Werkzeuganpassung und präzisem Einfügen erreichten 74,2 %, 78,9 % und 89,6 %. Bei mehrfingrigen geschickten Händen klaffen die Unterschiede schnell auseinander: Das Herausdrehen der Glühbirne erreichte 92 %, das Eindrehen der Glühbirne nur 36 %, das Zubinden des Müllsacks 44 %, die Verwendung eines Kehrblechs und das Verschließen des Druckverschlussbeutels nur 32 % bzw. 40 %.
Diese Zahlen zeigen auch, dass große Modelle bereits recht komplexe Handbewegungen übernehmen können, während die mehrfingrige geschickte Bedienung noch lange nicht dem "menschlichen Niveau" entspricht, das auf der offiziellen Modellseite angegeben wird. Zumindest derzeit kann ein Roboter beim Eindrehen einer Glühbirne immer noch sechs von zehn Versuchen fehlschlagen.
Bildquelle: Google Deepmind
Die dritte Veränderung ist die Zusammenarbeit. Im Video ordnen Apollo und Franka Duo gemeinsam einen Werkzeugkasten. Apollo gibt die Aufgaben aus, Duo legt die Werkzeuge in die Box. Die beiden Roboter betreiben jeweils ein eigenes Modell, verteilen und verbinden die Arbeiten durch übergeordnetes Schlussfolgern, anstatt dass ein zentrales neuronales Netz zwei Körper gleichzeitig steuert. ER 2 überwacht auch kontinuierlich das Video, beurteilt den Aufgabenfortschritt, erkennt Fehlschläge und entscheidet, ob ein Versuch wiederholt werden soll.
Das unterscheidet sich davon, dass zwei Roboter mechanisch voreingestellte Arbeitsabläufe ausführen. Google will Roboter unterschiedlicher Form dazu bringen, zuerst zu verstehen, worin sie jeweils gut sind, und dann Aufgaben wie ein Team zu übergeben. Aber das offizielle Video zeigt ein durchdachtes, mehrere Minuten langes Szenario zum Einräumen von Werkzeugen – es fehlt noch eine lange Stabilitätsvalidierung, bevor mehrere Roboter in echten Fabriken über Monate hinweg kontinuierlich zusammenarbeiten können.
Google hat das "Groß- und Kleinhirn" nicht aufgegeben, sondern nur die Grenzen des Körpers aufgelöst
In der Branche für verkörperte Intelligenz wird die Architektur von Robotern derzeit allgemein in "Großhirn" und "Kleinhirn" unterteilt. Große Modelle sind dafür zuständig, Anweisungen zu verstehen und Aufgaben zu zerlegen, während kleine Modelle und herkömmliche Steuerungen für Navigation, Gleichgewicht und Greifen sorgen. Dieses Vorgehen ist sehr pragmatisch: Übergeordnetes Schlussfolgern muss nicht hunderte Male pro Sekunde ausgeführt werden, und die untergeordnete Steuerung kann nicht warten, bis ein großes Modell langsam nachdenkt. Wenn die Module getrennt sind, sind Bereitstellung, Debugging und Sicherheitsvorkehrungen einfacher.
Das Problem ist, dass die physische Welt keine sauberen Modulgrenzen mag.
Das Heben eines schweren Objekts verändert das Gleichgewicht, das Vorwärtsschreiten verändert die Reichweite der Arme, und wenn das Glas in der Hand rutscht, wird die ursprüngliche Pfadplanung sofort ungültig. Solange das übergeordnete Planen und die untergeordneten Bewegungen nicht übereinstimmen, sammeln sich Fehler bei langwierigen Aufgaben an. Jeder Wechsel vom Gehen zum Greifen und vom Greifen zurück zur Navigation kann auch zu Pausen führen. Der Roboter hat den Plan korrekt erstellt, aber der Körper führt ihn nicht aus.
Streng genommen hat Google das "Groß- und Kleinhirn" aber nicht aufgegeben. ER 2 bleibt das übergeordnete Gehirn, das für Sehen, Denken, Planen und Aufrufen von Werkzeugen zuständig ist, und übergibt die Ausführung der Bewegungen an das VLA. Es kann sogar die Navigations-API, die Schnittstelle des mechanischen Arms und die VLA anderer Hersteller als Werkzeuge betrachten.
Was Google gelöst hat, ist die Tatsache, dass auf der Bewegungsebene das Gehen, das Gleichgewicht, der Rumpf und die Arme weiterhin in eine Reihe unabhängiger Kleinhirne aufgeteilt werden. Gemini Robotics 2 vereinheitlicht die Ganzkörperbewegungen mit einem VLA, während ER 2 gleichzeitig die Ausführung beobachten und über die nächsten Schritte nachdenken kann – das reduziert das Gefühl der Trennung, bei dem der Roboter bei jedem Schritt "anhalten und nachdenken" muss.
Bildquelle: Google Deepmind
Das ist eine genauere Trennlinie: Die übergeordnete Ebene bleibt 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 eine Reaktion im Millisekundenbereich an, während das übergeordnete Schlussfolgern möglicherweise Informationen 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 bei Problemen ist es schwer zu beurteilen, ob der Plan falsch war oder die Gelenke die Anweisung nicht korrekt ausgeführt haben.
Noch realistischer ist die Sicherheit. Das Modell kann entscheiden, den Wasserkocher auf das Regal zu stellen, aber Notstopp, Geschwindigkeitsbegrenzung und der Sicherheitsabstand zwischen Mensch und Roboter können nicht nur durch Wahrscheinlichkeit gewährleistet werden. ER 2 führt Sicherheitsbeschränkungen, Machbarkeitsbeurteilungen und Anforderungen an menschliche Eingriffe ein, während auf der untergeordneten Ebene weiterhin herkömmliche physische Sicherheitsmechanismen erhalten bleiben – das zeigt, dass Google nicht beabsichtigt, dass End-to-End-Lernen alles übernimmt.
Und dieser Weg ist nicht einzigartig für Google. Helix 02, das Figure Anfang dieses Jahres vorgestellt hat, verbindet ebenfalls alle Sensoren mit einer ganzkörperlichen visuellen Bewegungsstrategie, sodass System 1 die Ganzkörper-Gelenkziele mit 200 Hz ausgibt, System 0 Gleichgewicht und Kontakt mit 1 kHz verarbeitet, und das oberste System 2 weiterhin für semantisches Schlussfolgern zuständig ist. Es sieht wie ein einziges Modell aus, aber intern ist es immer noch ein dreischichtiges System, das eng an unterschiedlichen Zeitskal