Gemini Robotics ER 2：视频理解、任务编排与多机器人协作

谷歌DeepMind发布Gemini Robotics ER 2，让机器人学会看视频、协作干活 谷歌DeepMind近日推出了新一代机器人基础模型Gemini Robotics ER 2，这并非一个简单的软件更新，而是试图从根本上改变机器人理解和执行任务的方式。对于跨境电商卖家而言，这意味着未来仓储物流、分拣包装等环节的自动化将迎来更智能的解决方案，而AI从业者则能看到多模态大模型在物理世界落地的全新范式。 核心变化在于，Gemini Robotics ER 2将视频理解、任务编排和多机器人协作三大能力深度整合。过去，机器人执行任务往往需要预设程序或依赖单一指令，而ER 2能够通过观看人类操作视频来理解动作逻辑，比如看到工人如何将商品放入不同规格的包装盒，它就能自主拆解出“识别商品尺寸-选择对应包装盒-完成封装”的完整流程。更关键的是，它支持多个机器人在同一场景下协同工作，例如一台负责搬运货架，另一台负责分拣，通过共享视觉信息避免碰撞和重复劳动。这种能力直接对标亚马逊FBA（亚马逊自营物流）仓库中Kiva机器人集群的调度逻辑，但ER 2的通用性更强，无需为每个场景单独训练模型。 对跨境电商卖家的实际影响：仓储自动化门槛将大幅降低。传统上，部署机器人分拣系统需要昂贵的定制化开发和环境改造，而ER 2的“看视频学习”特性意味着卖家只需录制几段真实操作视频，机器人就能快速适应不同尺寸、材质的商品。例如，处理易碎品时，机器人通过观察视频中工人轻拿轻放的动作，就能自动调整抓取力度。此外，多机器人协作能力能解决旺季订单暴增时的产能瓶颈——系统可以动态调配空闲机器人支援最繁忙的工位，而无需人工干预。 对AI从业者的启示：这是多模态大模型从“理解数字世界”向“操控物理世界”的关键跃迁。ER 2本质上是一个基于视频理解的端到端模型，它不再依赖传统的“感知-规划-控制”分离架构，而是将摄像头输入直接映射为机器人动作。这意味着，训练数据不再局限于标注好的机器人轨迹，而是可以大量使用互联网上的操作视频（如YouTube上的仓库作业视频）。这种数据利用方式的转变，可能大幅降低机器人训练成本，并加速通用机器人操作系统的成熟。不过，目前ER 2仍处于实验室阶段，实际部署中面临的硬件适配、实时性延迟等问题，还需要与机器人本体厂商（如波士顿动力、优必选）进一步磨合。