Gemini Robotics ER 2 登陆企业云公开预览，但不支持 Live API 流式传输

谷歌于 10 月 27 日在 Gemini Enterprise Agent Platform 上推出了 Gemini Robotics Embodied Reasoning 2 模型的公开预览，让企业团队首次有了一条无需与谷歌建立硬件合作关系、直接从云端使用物理 AI 推理层的路径。这款模型可通过 Google Cloud 的 Model Garden 使用，标识符为 gemini-robotics-er-2-preview，负责高层机器人任务规划和多机器人协调。但它带有一项限制，让它有别于谷歌三个月前通过 Gemini API 发布的版本：云端点没有实时双向流式传输。

10 月的云端发布与 7 月 30 日的 Gemini API 发布不是一回事。现在通过 Gemini Enterprise Agent Platform 使用 ER 2 的企业团队，得到的是标准的 REST 端点；原始 Gemini API 版本中的实时流式传输在这里不可用。这一区别决定了云端版本在实践中能做什么、不能做什么。

ER 2 负责规划，不负责电机指令

要理解 ER 2 实际做什么，需要区分机器人 AI 领域常被混为一谈的两类模型。视觉语言模型（VLM）处理图像、视频和自然语言，输出结构化文本，如描述、计划和决策。视觉语言动作模型（VLA）则把感知直接转化为驱动执行器的电机指令。ER 2 是 VLM。它观察场景、理解任务并生成多步骤计划，但不会产生驱动机械臂的舵机角度或关节力矩。

谷歌基于 Gemini 3.5 Flash 构建 ER 2，用机器人摄像头训练数据扩展其视觉能力，让模型能够推理任务随时间的进展。据谷歌 DeepMind 的模型卡，模型可接受最多 131,072 个 token 的文本和图像输入，或 65,536 个 token 的视频输入，输出结构化的任务描述，交由单独的底层控制器执行。

这个底层（谷歌的 Gemini Robotics 2，一款能生成电机指令的完整 VLA）仍只向硬件合作伙伴开放。公开预览开放的是负责规划的大脑，负责行动的执行器暂时仍是封闭的。集成 ER 2 的团队必须把它与自己的机器人控制栈或合作伙伴提供的执行层配对。

企业云版本仍不支持 Live API 流式传输

最初的 Gemini API 发布包含一个流式端点（gemini-robotics-er-2-streaming-preview），连接谷歌的 Live API，这是一种持久的低延迟连接，支持与模型双向交互。这种架构让机器人系统可以持续向模型输入摄像头数据，并接近实时地接收指令，这对反应式行为至关重要：躲避意外障碍、在物体移位时调整抓握、对共享工作空间中的人作出反应。

Enterprise Agent Platform 版本不支持 Live API，只采用标准的 REST 请求响应模式，XenoSpectrum 对两条访问路径的分析证实了这一差距。对于能容忍这种延迟的用例（工作流开始前的任务预规划、在 MuJoCo-Warp 或英伟达 Isaac Sim 中的仿真测试、任务完成后的批量进度评估），云端点是可用的。对于反应式操作和实时导航，开发者仍需要 7 月的 Gemini API 端点。评估 ER 2 用于生产部署的团队，必须让延迟需求与正确的访问路径相匹配。

三层物理 AI 技术栈，其中两层仍只面向合作伙伴

谷歌的物理 AI 产品有三个组成部分，分别针对机器人控制层级的不同位置。Google Cloud 的官方公告把 ER 2 描述为顶层：场景理解、长周期任务排序和多机器人协调。它不依赖特定硬件，设计上可以配合任何能接受结构化任务指令的平台。

第二层 Gemini Robotics 2 是一款完整的 VLA，把 ER 2 的计划转化为电机指令。开发合作伙伴包括 Apptronik（Apollo 2 人形机器人）、波士顿动力（Spot 四足机器人）和 Franka Robotics（F3 Duo 机械臂），以及新加坡科技研究局材料研究与工程研究院。这款模型仍只向合作伙伴开放。第三层 Gemini Robotics On-Device 2 针对离线环境的边缘推理，同样只面向合作伙伴。

实际含义是，ER 2 单独无法驱动机器人。它产出计划，必须由其他东西来执行，这一限制决定了任何基于公开预览构建的团队需要做的集成工作。

谷歌的基准显示出潜力，但仍缺乏独立验证

据谷歌 DeepMind 的模型卡，在时刻定位（识别某个步骤在任务视频中何时发生）上，ER 2 达到 91.3% 的准确率，平均绝对帧距离为 0.96 秒。在进度分类（把任务归入五个完成阶段之一）上，它达到 57.4%。这两个数字都来自谷歌自己的评测，而不是独立复现。

时刻定位的结果很强；57.4% 的进度分类则较为一般，说明在 ER 2 能够作为生产制造中可靠的质量控制层之前，还有明显的改进空间。谷歌没有公开披露针对机器人模型安全基准 ASIMOV2 的结果。这些指标都不能完全反映 ER 2 通过 VLA 操作实体机器人时出现的失效模式：陌生的光照条件、意外的物体位置和操作失败后的恢复，都更难在受控基准中评估。

ER 2 与英伟达 GR00T 及其他物理 AI 相比如何

英伟达 2025 年 5 月在 Computex 上发布的 GR00T N1.5，仍是公开可用的最接近的对照。GR00T N1.5 是一款完整的跨具身 VLA，能在英伟达 Jetson 上进行边缘推理，并通过英伟达 Isaac 开发者平台以开放权重提供。它在单一模型内闭合了从感知到行动的回路，不需要单独的规划层。

ER 2 针对的是另一种场景。其价值主张是企业云集成：已在 GCP 上的团队，可以通过管理其他云负载的同一套 IAM 控制、VPC Service Controls 和审计日志使用具身推理。对于受监管的环境或已有 Google Cloud 合同的物流业务，这一背景比边缘推理能力更重要。两套系统是互补关系，而不能直接相互替代。

这个领域还缺少一款易于获取、不依赖特定硬件、完全集成的 VLA，把 GR00T 的跨具身广度与 ER 2 的企业云控制结合起来。谷歌的三层架构正是为此设计的，但完整技术栈的商业走向，取决于 VLA 层 Gemini Robotics 2 何时开放到现有硬件合作伙伴网络之外。决定 10 月这次公开预览能在多大程度上重塑企业机器人开发的里程碑，是这项访问决策，而不是未来的任何基准发布。