AI 生成的概念示意图:抽象的夹爪和零件托盘象征灵巧操作
将正确的汽车零部件分拣到正确的托盘中,不像机器人系蝴蝶结那样具有戏剧性,但它为一个操作模型提供了一项具体可完成的任务。11月10日,Google DeepMind 推出 Gemini Robotics 2.5,并报告称,在与 Apptronik 和梅赛德斯-奔驰开展的汽车零部件配套(kitting)概念验证中,成功率达到96%。[R1]
这项工作涉及在匈牙利凯奇凯梅特和德国辛德尔芬根正在运行的生产线上使用 Apollo 2 人形机器人。Google 描述了一个具身推理模型来跟踪工作流程,而 Robotics 2.5 控制手和手臂。公告认定这是一项概念验证;它没有披露试验的确切日期,也没有确立全生产范围的性能。[R1]
在不了解什么算作一次尝试的情况下,缺失的四个百分点无法解释。抓取失败、零件错误和交接延迟会带来不同的成本。因此,工业评估除了这个引人注目的成功率之外,还需要任务分母、周期时间分布、干预频率和恢复程序。这些都无法从一段简短演示中推断出来。
DeepMind 表示,它在 200 多项任务中测试了该模型,包括工具使用以及对柔性或易损物体的操作。它报告称,视任务而定,成功率相比先前基线提升 30% 到 100%,任务完成速度快 20% 到 30%。这些是开发者评估,并不是适用于每台机器人或每家工厂的统一改进。[R1]
广度和可靠性回答的是不同问题。一个能够尝试多种操作的模型可能更容易适应新的工作站。生产过程仍然需要保证其特定操作能在公差范围内完成,并且故障发生后设备和人员处于受控状态。通用性的演示不应取代对实际工位的验收测试。
该版本正逐步向机器人合作伙伴推出。Ars Technica 也将其描述为合作伙伴访问权限,而非全面可用;来自 Association for Advancing Automation 的行业报道印证了该公告和测试范围。本报道未操作该模型,也未独立复现工厂结果。[R1][R2][R3]
来源:automate.org
对制造商而言,一项有成效的试点应从一项其输入、布局和异常情况都能被记录的操作为起点。它应统计重试和人工救援,以及成功周期。由此产生的记录将显示,更灵活的系统是否减少了集成工作,同时没有把不合理的监督负担转嫁给技术人员。
所报道的工厂工作是一个有用的里程碑,因为它将研究模型与一项可识别的生产任务连接起来。它的下一项考验是持续、可审计的运行:性能在不同班次、不同零件、磨损和中断情况下如何变化。这就是一个有前景的概念验证与一个可靠生产工具之间的距离。
来源:
[R1] Google DeepMind 模型公告|2026-11-10
[R2] Ars Technica 报道|2026-11-10
[R3] Association for Advancing Automation|2026-11-10
