Google DeepMind lança Gemini Robotics ER 2 com multi-robôs

Introdução

Gemini Robotics ER 2 é a nova geração do modelo de raciocínio encarnado da Google DeepMind. A palavra chave é Gemini Robotics ER 2, e o que muda agora é a combinação de entendimento de vídeo em tempo real com planejamento multi etapas e colaboração entre diferentes robôs no mesmo espaço, algo antes restrito a demos fechadas. O anúncio oficial de 30 de julho de 2026 confirmou disponibilidade imediata via Gemini API e Google AI Studio, além de preview no Gemini Enterprise Agent Platform. (blog.google)

O que torna esse lançamento relevante para quem constrói soluções de robótica é o ganho prático, não apenas benchmarks. O ER 2 atua como um cérebro de alto nível, conversa com humanos, entende o ambiente pela câmera, planeja e delega a execução a modelos VLA ou APIs de controle. Em paralelo, acompanha o progresso por vídeo contínuo, ajusta quando erra e sabe a hora de avançar. Pela primeira vez, a DeepMind também enfatizou a colaboração multi robôs em cenários reais, como humanoides trabalhando com braços bi manipuladores. (blog.google)

O que é o Gemini Robotics ER 2 na prática

O ER 2 é um modelo de linguagem e visão especializado em raciocínio espacial, temporal e físico. Diferente de um VLA que gera o controle motor diretamente, o ER 2 orquestra ferramentas, APIs e modelos de ação, funcionando como agente que decide o que fazer em cada etapa e quando encerrar uma tarefa. A Google define o ER 2 como o cérebro que pensa e coordena, enquanto um VLA executa os movimentos finos. Disponível para desenvolvedores no Gemini API e Google AI Studio, a ideia é acelerar a criação de agentes físicos úteis sem exigir hardware proprietário. (blog.google)

Alguns pontos objetivos do lançamento de 30 de julho de 2026 ajudam a calibrar expectativas:

• Integração com Gemini Live API para streaming com baixa latência, útil em tarefas sensíveis ao tempo como navegação e manipulação. (blog.google)
• Melhoria sobre a versão ER 1.6 em três modos de controle, VLA real, simulado e teleoperação humana, com ganhos consistentes em orquestração. (blog.google)
• Habilidades de classificação de progresso contínuo, o modelo estima percentuais de avanço do 0 ao 100, e detecção de momentos críticos ao nível de quadro de vídeo. (blog.google)
• Foco explícito em segurança, com avanços em benchmarks de proximidade humana e seguimento de instruções seguras. (blog.google)

Por que este salto importa para operações reais

Quem já pilotou robôs em chão de fábrica, armazéns ou laboratórios conhece o problema de ouro, detectar quando a tarefa terminou e o que fazer se der errado no meio do caminho. O ER 2 ataca justamente esse gargalo com entendimento temporal do vídeo. O modelo acerta 57,4 por cento em classificação de progresso e 91,3 por cento em detecção precisa do momento de eventos chave, com erro médio de 0,96 segundo, números que permitem trocar de etapa com mais confiança e sub segundo de latência. Isso reduz a necessidade de pausar, replanejar a cada passo e reiniciar fluxos longos por pequenos deslizes. (blog.google)

Em cenários corporativos, essa capacidade abre espaço para rotinas como inspeção visual com validação automática de sucesso, leitura de instrumentos digitais e analógicos, verificação de falhas no meio da execução e confirmação de critérios antes de prosseguir. O anúncio destaca ganhos amplos em detecção de sucesso, VQA espacial e leitura de instrumentos em dez tipos diferentes. Para quem integra robôs a sistemas de qualidade, a mensagem é clara, menos flakiness e mais rastreabilidade do estado da tarefa. (blog.google)

Colaboração multi robôs, o que muda no fluxo de trabalho

Nem todo robô serve para tudo. Um rover com rodas cobre longas distâncias com eficiência, um humanoide lida melhor com altura variável e alcance, braços bi manipuladores brilham em inserção precisa e kitagem. O ER 2 cria uma camada semântica compartilhada, permitindo que diferentes corpos se entendam, passem o bastão e concluam fluxos que isoladamente seriam inviáveis. A Google demonstrou colaboração entre o humanoide Apollo 2, da Apptronik, e o Franka Duo, destacando como as responsabilidades se distribuem conforme a habilidade de cada um. (blog.google)

Do ponto de vista de arquitetura, fica mais simples compor células flexíveis, humanoide pega e posiciona, bi braço realiza a inserção fina, rover transporta. Esse arranjo reduz gargalos, aproveita o melhor de cada plataforma e aproxima a robótica do conceito de agentes físicos colaborativos dentro de um mesmo sistema MES ou WMS. A cobertura da Axios no dia 30 de julho de 2026 reforçou a leitura, há um empacotamento de modelos focados em ação, raciocínio e on device para facilitar controle e aumentar a destreza. (axios.com)

Casos reais e demos, do Spot ao Apollo 2

• Spot, da Boston Dynamics, ganhou uma demonstração em que o ER 2 orquestra APIs do robô, navegação e movimento do manipulador, para buscar objetos sob comando em linguagem natural. Importa notar a escolha de um robô de mercado com ecossistema e SDK maduros, um teste de fogo para latência, replanejamento e segurança. (blog.google)
• Apollo 2, da Apptronik, aparece como plataforma chave para habilidades de corpo inteiro, andar, agachar, alcançar prateleiras e manipular objetos, além de servir de fonte de dados em escala na parceria com a DeepMind. A própria Apptronik anunciou em 30 de junho de 2026 a expansão do Robot Park em Austin, enfatizando a coleta de dados para treinar os modelos Gemini Robotics. Esse pipeline de dados reais explica parte da generalização prática vista nas demos. (globenewswire.com)

Na imprensa especializada, houve entusiasmo e ceticismo construtivo. A TechRadar, em 31 de julho de 2026, destacou que, apesar dos avanços, humanoides ainda tropeçam e que o salto de destreza fina continua em curso, algo que aparece nos próprios gráficos da DeepMind, sucesso médio a alto em muitas tarefas, porém desafios em manipulação multi dedos como rosquear lâmpadas e amarrar sacos. É um retrato honesto do estado da arte, evolução rápida e lacunas claras. (techradar.com)

Como desenvolver com o ER 2, passos práticos

A proposta da Google é que você trate o ER 2 como um agente que sabe raciocinar sobre o contexto e coordenar módulos de execução. Na prática, o fluxo de desenvolvimento envolve:

1. Expor ao ER 2 as ferramentas de baixo nível, por exemplo, um VLA específico do seu robô, SDKs de navegação e APIs de manipulação. (blog.google)
2. Encaminhar streams multimodais, vídeo, áudio e texto, usando o endpoint de streaming com baixa latência da Gemini Live API, o que viabiliza decisões contínuas enquanto o robô age. (blog.google)
3. Configurar instruções de segurança e políticas de parada, proximidade humana e zonas de exclusão, alinhadas aos benchmarks e ao relatório técnico de segurança. (blog.google)
4. Medir progresso por tarefas com rótulos de avanço percentual e marcadores de momento crítico, para auditar se o robô mudou de etapa na hora certa. (blog.google)
5. Usar os exemplos de configuração e prompts compartilhados pela equipe no GitHub, acelerando a prototipagem. (blog.google)

Para acesso, o ER 2 está disponível no Google AI Studio e via Gemini API, com preview no Gemini Enterprise Agent Platform. A Model Card publicada em 30 de julho de 2026 detalha dependências, limites e canais de distribuição, incluindo recomendações de não uso em contextos críticos de segurança como saúde e transporte. (deepmind.google)

Segurança e governança, o ponto central para escalar

Robôs que raciocinam e agem em ambientes humanos exigem controles diferentes dos de um chatbot. O ER 2 traz ganhos nos benchmarks de Safety Instruction Following e de Proximidade Humana, o que significa melhor aderência a restrições físicas e maior consciência espacial de pessoas. Na prática, esse tipo de benchmark mede se o agente respeita limites de força, distância e se solicita esclarecimento quando a ordem é ambígua ou arriscada. O relatório técnico de segurança divulgado pela Google faz parte da proposta de elevar o padrão de avaliação para agentes físicos. (blog.google)

Na Model Card, a DeepMind lista limitações conhecidas e reforça que o uso em produção ou ambientes públicos deve considerar riscos, com ênfase para não empregar o modelo de forma autônoma em atividades onde uma falha pode gerar dano a pessoas ou patrimônio. Essa clareza normativa facilita aprovações internas e desenho de salvaguardas. (deepmind.google)

Métricas que importam, velocidade, precisão e custo de computação

Dois indicadores saltam aos olhos. Primeiro, a precisão na detecção de momentos críticos, 91,3 por cento com erro médio de 0,96 segundo, que se traduz em trocas de etapa mais confiáveis. Segundo, a promessa de oferecer essa precisão a uma fração do custo computacional e com quatro vezes a velocidade de execução em relação a categorias de modelos muito maiores, algo essencial para robótica do mundo físico, onde sub segundo é mais que preferência, é requisito. Esses dados, reportados no anúncio, são um balizador para estimar TCO de uma célula robótica inteligente. (blog.google)

Além disso, a integração com o Live API ajuda a reduzir pausas de raciocínio, evitando o efeito engasgo que muitos viram em pilotos anteriores, quando o agente parava para pensar e quebrava a fluidez dos movimentos. Em aplicações como inspeção móvel com manipulação, cada pausa extra implica risco operacional e usuário perdendo confiança. (blog.google)

Ecossistema e dados, o papel da Apptronik e do Robot Park

A decisão da DeepMind de aproximar pesquisa e dados reais com a Apptronik adiciona combustível ao ciclo de melhoria. Ao abrir o Robot Park em Austin, anunciado em 30 de junho de 2026, a Apptronik sinalizou que o Apollo 2 seria o motor de coleta e que os dados alimentariam o desenvolvimento do Gemini Robotics. Outros relatos de imprensa destacam prazos de preparação de unidades para pilotos e intenção de ampliar o compartilhamento de conjuntos de dados para pesquisa acadêmica no fim de 2026 ou início de 2027. Para quem precisa de generalização além do laboratório, essa ponte dados do mundo real mais modelos é determinante. (globenewswire.com)

Limitações atuais e leitura de mercado

Os próprios gráficos da DeepMind mostram que, embora haja sucesso médio e alto em várias classes, manipulação multi dedos ainda desafia, rosquear e desrosquear lâmpadas, amarrar sacos, usar pá de lixo. A cobertura da TechRadar ilustra que a comunidade continua vigilante quanto a falhas e tropeços de humanoides, um lembrete de que a trajetória é incremental, mas o ritmo acelerou. Em paralelo, o foco em segurança e a disponibilidade via APIs comerciais indicam um movimento para tirar a robótica inteligente da vitrine e levá la ao chão de fábrica, canteiros e centros de distribuição. (deepmind.google)

Para tomadores de decisão, o recado é duplo. Primeiro, maturidade suficiente para pilotos com valor, especialmente em inspeção, kitagem precisa, inserções e tarefas multi etapas com validação por vídeo. Segundo, necessidade de arquitetura segura, com fallback humano, teleop assistida e políticas de zona segura. ER 2 não elimina engenharia de sistemas, mas torna viável o passo de sair do script rígido para o agente que pensa e coopera.

Como começar, roteiro enxuto para um POC de 6 a 10 semanas

• Semana 1, escolha do caso de uso com métrica de sucesso objetiva, por exemplo, taxa de conclusão de fluxo multi etapa com tempo alvo e zero incidentes. Documente critérios de sucesso e de parada.
• Semana 2, instrumentação do robô, câmera principal, câmera de mão se houver manipulador, sensores de proximidade. Exponha SDKs de navegação e manipulação como ferramentas do ER 2. (blog.google)
• Semana 3, integração com Gemini Live API em streaming. Faça tuning de latência e buffers para garantir fluidez. (blog.google)
• Semana 4, prompts e políticas de segurança, incluindo zonas de exclusão, desaceleração ao detectar humano e parada obrigatória diante de ambiguidade. Valide com o relatório técnico de segurança. (blog.google)
• Semana 5, coleta de telemetria e rotulagem de progresso por etapas de 20 por cento, para criar dashboards de auditoria e facilitar o aprendizado. (blog.google)
• Semanas 6 a 10, iterações de erro, priorizando momentos críticos onde o ER 2 marca transições. Meça replanejamento, tempo por etapa e taxa de sucesso.

Reflexões finais

O que diferencia o Gemini Robotics ER 2 das ondas anteriores é a combinação de raciocínio temporal por vídeo, orquestração fluida com baixa latência e colaboração multi robôs, empacotada de forma acessível via API. Esse conjunto muda a conversa de demos isoladas para células flexíveis com ROI medível, desde que a engenharia de segurança e a governança acompanhem o ritmo. (blog.google)

Olhando para os próximos 12 a 18 meses, a expectativa é ver mais pilotos em ambientes semi estruturados e escalas maiores em inspeção, manuseio preciso e montagem leve, enquanto destreza multi dedos e locomoção mais veloz seguem evoluindo. A direção está dada, agentes físicos colaborativos, e a base técnica para tirar do papel já está nas mãos dos times, com APIs, exemplos e um ecossistema de parceiros crescendo ao redor. (blog.google)