Um robô que sabe quando parar de despejar. O Gemini Robotics ER 2 confere se um passo funcionou

Um modelo de linguagem que erra o julgamento de uma frase produz uma frase ruim. Um robô que erra o julgamento de quando um recipiente está cheio derrama o conteúdo. O trabalho físico pune a lacuna entre planejar uma ação e confirmar que ela aconteceu, e é em torno dessa lacuna que o modelo de robótica mais novo do Google foi desenhado.

O Gemini Robotics Embodied Reasoning 2, ou ER 2, ficou disponível em preview público no Google Cloud em 27 de outubro, pelo Model Garden na plataforma Gemini. Ele não é o modelo que move as juntas de um robô. É a camada de raciocínio acima delas: assiste a vídeo contínuo, entende espaço e tempo, planeja sequências longas de passos, lê instrumentos e chama ferramentas de nível inferior, como modelos vision-language-action, APIs de navegação e funções personalizadas. Também pode coordenar vários robôs.

O recurso que importa: saber se um passo funcionou

O ER 2 pode classificar o progresso da tarefa como sim ou não, um conjunto de categorias ou uma pontuação contínua. O exemplo do Google é decidir quando parar de despejar. Na prática, isso permite que um robô repita o passo que falhou em vez de recomeçar um workflow inteiro, e permite que um operador veja em que ponto da tarefa o sistema acha que está.

O Google relata 91,3% de acurácia em encontrar o quadro crítico de um vídeo (o momento em que uma ação deve parar ou mudar), com erro médio de 0,96 segundos, e cerca de quatro vezes a velocidade de execução de muitas categorias de modelos maiores com uma fração do poder computacional. Esses são os benchmarks do Google. Um detector de 91,3% também erra o momento quase uma vez em onze, o que é aceitável para um robô de inspeção que pode olhar de novo e inaceitável para alguns passos industriais. O número mostra em torno do que projetar.

Três camadas, três tipos de garantia

Quem decide o quê em um agente físico

Raciocínio (ER 2)

• Planeja a tarefa
• Lê instrumentos
• Julga se um passo funcionou

Probabilístico: avalie como um modelo

Controle (modelos VLA, navegação, funções)

• Move braços e bases
• Executa uma habilidade por vez

Testado por habilidade

Segurança e regras do local

• Limites de velocidade e força
• Zonas de parada
• Intertravamentos

Determinístico: nunca delegado ao modelo

O Google diz que o modelo tem guardrails de segurança incorporados e que a plataforma Gemini adiciona controles enterprise de IAM e segurança. Isso cobre quem pode chamar o modelo. Não substitui a camada de segurança da instalação física, que em ambientes industriais é regida por normas de segurança de máquinas e robôs e certificada separadamente. Um modelo de raciocínio que decide que um passo falhou deve poder pedir uma repetição; não deve poder sobrepor um limite de força.

Usuários iniciais citados pelo Google incluem a Boston Dynamics, para inspeções com o Spot, e um projeto de laboratório de materiais autônomo com a A*STAR de Singapura. O suporte a simulação cobre MuJoCo-Warp e NVIDIA Isaac Sim, que é onde a maior parte dos testes deve acontecer primeiro.

Quando a conexão não está lá

No mesmo dia, o Google Public Sector descreveu uma prova de conceito com a NASA: um robô que manipula cargas e que um dia poderia preparar equipamentos médicos para astronautas. Ele não usa o ER 2; usa o modelo vision-language-action aberto Pi0, com fine-tuning no Google Cloud, com uma taxa inicial de sucesso de 85% em uma tarefa de pegar e colocar no laboratório. O detalhe útil é a justificativa. Com idas e voltas à Terra que chegam a 44 minutos, os modelos precisam rodar localmente, e o robô age sob a supervisão da tripulação, “sem nunca substituir a decisão humana.”

Minas, plataformas offshore e plantas remotas enfrentam uma versão mais branda dessa restrição. Vimos isso com a IA de triagem de tuberculose do Google, feita para funcionar no subsolo sem nuvem, e argumentamos que a IA soberana é o que continua funcionando quando a conexão cai. O ER 2 é um modelo de nuvem em preview. Antes de planejar um deploy, pergunte onde ele pode rodar, o que acontece com uma tarefa quando a conexão cai no meio de um passo e o que o robô faz por padrão quando a camada de raciocínio não responde.