La nueva familia de Google DeepMind combina un modelo que traduce instrucciones en movimientos, una capa de razonamiento que organiza tareas complejas y una versión capaz de ejecutarse localmente. El sistema puede controlar cuerpos humanoides completos, corregir errores y coordinar el trabajo entre distintas máquinas, aunque sus pruebas todavía muestran limitaciones en velocidad y destreza fina.
Google DeepMind presentó Gemini Robotics 2, una familia de tres modelos diseñada para ampliar la capacidad de los robots para actuar en entornos físicos, desde controlar el cuerpo completo de un humanoide hasta planear tareas de varios minutos y coordinar el trabajo entre máquinas diferentes. La compañía plantea el sistema como una capa de inteligencia generalizable para robots de distintas formas y tamaños, en contraste con la automatización tradicional, que suele depender de movimientos preprogramados, teleoperación o entrenamiento especializado para secuencias estrechas y repetitivas.
One brain. For any robot. 🤖
We’re launching Gemini Robotics 2: our next-generation physical AI bringing full body intelligence to humanoids, advanced dexterity, multi-robot teamwork and more. pic.twitter.com/1rFw3NUytb
— Google DeepMind (@GoogleDeepMind) July 30, 2026
La familia está integrada por Gemini Robotics 2, un modelo de visión, lenguaje y acción que convierte imágenes e instrucciones en señales de control motor; Gemini Robotics ER 2, una capa de razonamiento encarnado que observa el entorno, organiza tareas y supervisa su avance; y Gemini Robotics On-Device 2, una versión más ligera optimizada para funcionar dentro del propio hardware, sin depender permanentemente de una conexión externa. Los tres modelos cumplen funciones distintas, pero Google los presenta como componentes de una misma arquitectura: uno decide y supervisa qué debe ocurrir, mientras otro transforma esas decisiones en movimientos físicos.
Del movimiento de brazos al control de un humanoide completo
La principal novedad de Gemini Robotics 2 es la ampliación del control desde tareas de mesa y movimientos de la parte superior del cuerpo hacia acciones que requieren coordinación completa. Google asegura que el modelo puede controlar humanoides desde los pies hasta las manos para caminar, agacharse, estirarse, mantener el equilibrio y manipular objetos dentro de una misma secuencia. En una de las demostraciones, el humanoide Apollo 2, desarrollado por Apptronik, recibe la instrucción de colocar una regadera en un contenedor situado en la parte inferior de un estante; el robot debe acercarse al objeto, levantarlo, desplazarse y depositarlo en el lugar indicado.
El avance busca reducir una de las separaciones persistentes de la robótica: un sistema puede reconocer objetos y comprender una orden, pero eso no significa que pueda coordinar piernas, brazos, manos y equilibrio para ejecutarla. Gemini Robotics 2 intenta conectar ambas capacidades mediante un modelo de visión-lenguaje-acción, conocido como VLA, que recibe información visual e instrucciones y produce comandos motores. La compañía reconoce, sin embargo, que la velocidad de desplazamiento todavía debe mejorar y que sus resultados representan un paso de investigación hacia robots más útiles, no una demostración de desempeño equivalente al humano.
Google también incorporó control de manos con cinco dedos y 22 grados de libertad, además de compatibilidad con pinzas robóticas convencionales. Las demostraciones incluyen cerrar bolsas herméticas, hacer nudos, manipular herramientas, desenroscar focos y colocar objetos con precisión. Los resultados publicados muestran diferencias considerables según la tarea: el modelo alcanzó 92% de éxito al desenroscar un foco, pero 36% al atornillarlo, 44% al amarrar una bolsa de basura y 40% al cerrar una bolsa tipo ziplock. La propia empresa reconoce que la manipulación con varios dedos continúa siendo uno de los desafíos más difíciles del sistema.
Un modelo que planea mientras el robot actúa
Gemini Robotics ER 2 funciona como la capa de razonamiento de alto nivel. En lugar de controlar directamente cada articulación, procesa instrucciones, interpreta video continuo, organiza los pasos de una tarea y utiliza modelos de acción o interfaces de navegación como herramientas. Esta separación permite que el sistema razone sobre lo que debe ocurrir después mientras el robot continúa ejecutando el paso actual, en lugar de detenerse entre cada decisión para recalcular toda la secuencia.
El modelo puede observar el entorno, dividir un encargo en etapas, verificar si cada movimiento produjo el resultado esperado y volver a intentarlo cuando algo falla. Google señala que ahora puede seguir secuencias de varios minutos y cientos de decisiones, detectar cuándo comienza o termina una tarea y localizar el instante preciso en el que ocurrió un evento importante, como el momento en que un recipiente termina de llenarse o un objeto queda correctamente asegurado. Esta capacidad es relevante porque muchos errores robóticos no proceden de la falta de movimiento, sino de que el sistema no reconoce que una acción quedó incompleta.
En las evaluaciones publicadas por la compañía, Gemini Robotics ER 2 alcanzó 57.4% de precisión al clasificar el avance de una tarea en cinco etapas y 91.3% al identificar el momento exacto en que ocurre un acontecimiento relevante dentro de un video. Google afirma que este último proceso funciona con una distancia media de 0.96 segundos respecto al evento real y con una velocidad de ejecución cuatro veces superior a la de categorías de modelos más grandes, una característica necesaria para tomar decisiones mientras una máquina se encuentra en movimiento. Los resultados fueron producidos por Google y todavía requieren evaluación independiente en condiciones externas.
La arquitectura también puede utilizar herramientas digitales. Los desarrolladores pueden conectar modelos VLA, sistemas de navegación, funciones definidas por el usuario o servicios como Google Search, de manera que el robot recupere información antes de actuar. Una máquina podría, por ejemplo, consultar instrucciones, identificar un instrumento, planear un recorrido y después delegar los movimientos específicos en otro modelo especializado. Gemini Robotics ER 2 está basado en Gemini 3.5 Flash, admite texto, imágenes, video y audio, y dispone de una ventana de contexto de hasta 128 mil unidades de texto o datos multimodales.
Robots distintos que reparten una misma tarea
Otra de las capacidades presentadas es la colaboración entre múltiples robots. El sistema permite que máquinas con cuerpos y habilidades diferentes compartan una interpretación de la tarea, distribuyan el trabajo y entreguen una etapa a otra máquina cuando resulte necesario. Google mostró una colaboración entre el humanoide Apollo 2 y un robot de dos brazos Franka F3 Duo para completar una actividad dentro del mismo espacio.
La idea parte de que no existe un cuerpo robótico adecuado para cualquier situación. Un robot móvil puede desplazarse con eficiencia por un espacio plano, un humanoide puede alcanzar objetos diseñados para personas y un sistema fijo de dos brazos puede ofrecer mayor precisión en una estación de trabajo. La capa de razonamiento funciona como coordinadora: interpreta el objetivo común, decide qué máquina debe ejecutar cada parte y mantiene una representación compartida del progreso. La colaboración todavía se encuentra en una etapa experimental, pero apunta hacia entornos donde varios robots especializados operen como un sistema distribuido en lugar de funcionar como unidades aisladas.
Adaptación local con menos de 200 ejemplos
Gemini Robotics On-Device 2 busca resolver otro problema: muchas aplicaciones no pueden depender de una conexión continua a la nube debido a la latencia, la disponibilidad de internet o la sensibilidad de los datos capturados por cámaras y sensores. El modelo está diseñado para funcionar localmente y adaptar sus capacidades a nuevos cuerpos robóticos con unas cuantas horas de entrenamiento, normalmente mediante menos de 200 ejemplos. Google asegura que el procedimiento funciona incluso cuando las nuevas máquinas poseen formas, sensores y grados de libertad muy distintos de aquellos utilizados durante el entrenamiento inicial.
La adaptación entre cuerpos es uno de los obstáculos para desarrollar robótica de propósito general. Una habilidad aprendida por un brazo industrial no puede trasladarse automáticamente a un humanoide o a una máquina con pinzas diferentes, porque cambian las dimensiones, las articulaciones, el alcance y la información producida por los sensores. On-Device 2 utiliza técnicas de transferencia de movimiento para reducir la cantidad de demostraciones necesarias antes de operar sobre una nueva plataforma. Gemini Robotics 2 y su versión local permanecen disponibles únicamente para socios de acceso anticipado, mientras Gemini Robotics ER 2 ya puede utilizarse mediante Gemini API y Google AI Studio, además de una vista previa privada en Gemini Enterprise Agent Platform.
La seguridad continúa como límite de despliegue
La ampliación de las capacidades físicas también aumenta las consecuencias de un error. Google incorporó pruebas para evaluar si la capa de razonamiento rechaza órdenes inseguras, detecta situaciones que exceden sus capacidades y solicita intervención humana cuando existe incertidumbre. Gemini Robotics ER 2 puede identificar la proximidad de una persona, activar herramientas de seguridad y detener un humanoide cuando alguien ingresa a su zona de operación, para reanudar el trabajo después de que el espacio vuelve a estar libre.
Estas protecciones no significan que los modelos estén listos para cualquier entorno. La tarjeta oficial solicita precaución antes de utilizarlos en instalaciones públicas, comerciales o de producción y prohíbe destinarlos a aplicaciones críticas como salud, transporte u otros ámbitos donde una falla pueda provocar lesiones, muertes o daños materiales. Google trabaja con más de cien evaluadores y socios, incluidos desarrolladores de hardware, empresas de automatización y compañías emergentes, pero el acceso limitado a dos de los tres modelos confirma que el sistema continúa en una etapa de validación.
El lanzamiento no implica que los robots hayan adquirido una forma humana de pensamiento. Lo que Google denomina “razonamiento encarnado” es una arquitectura capaz de integrar percepción, planificación, uso de herramientas, seguimiento temporal y control físico dentro de un ciclo continuo. La diferencia frente a generaciones anteriores está en que la máquina ya no recibe únicamente una orden de movimiento: puede mantener un objetivo durante varios minutos, evaluar si cada etapa funcionó, modificar su plan y repartir el trabajo entre cuerpos distintos.
Gemini Robotics 2 representa así un intento por trasladar la evolución de los agentes de inteligencia artificial al mundo físico. En el software, los modelos comenzaron a pasar de responder preguntas a organizar flujos de trabajo y utilizar herramientas. Google DeepMind pretende ahora aplicar la misma lógica a máquinas que deben caminar, manipular objetos y compartir espacios con personas. El desafío será demostrar que esa capacidad puede mantenerse fuera de las demostraciones controladas, con la velocidad, precisión y seguridad necesarias para operar en entornos reales.
