Gemini Robotics ER 2: Bộ não robot suy luận hiện thân của Google DeepMind, được giải thích

của Google DeepMindGemini Robotics ER 2 — được phát hành bản xem trước công khai vào ngày 30 tháng 7 năm 2026 — là một mô hình ngôn ngữ-thị giác chuyên dụng được xây dựng để làm "bộ não" cấp cao của một robot. "ER" là viết tắt của Embodied Reasoning (Lập luận hiện thân): thay vì trực tiếp điều khiển động cơ, ER 2 quan sát và hiểu thế giới vật lý, suy luận về không gian và thời gian, lên kế hoạch cho các tác vụ nhiều bước, điều phối công cụ và phối hợp robot. Nó còn đi kèm biến thể phát trực tuyến thời gian thực để điều khiển tương tác với độ trễ thấp. Hướng dẫn này giải thích ER 2 là gì, nó khác mô hình điều khiển trực tiếp như thế nào, có gì mới so với ER 1.6, và vị trí của nó — với các khả năng được trích nguồn.

Lưu ý về độ chính xác: các tuyên bố về khả năng, tính khả dụng và an toàn đến từ thông báo của Google DeepMind và nhật ký thay đổi của Gemini API (2026-07-30). Các điểm chuẩn về robot còn sơ khai và do nhà cung cấp tự báo cáo; giá tuân theo cách tính phí tiêu chuẩn của Gemini API và các chi tiết cụ thể chưa được công bố. Thông tin chi tiết có thể thay đổi — hãy xác minh trước khi xây dựng.

TL;DR. Gemini Robotics ER 2 là một VLM suy luận hiện thân, đóng vai trò là bộ não lập kế hoạch và nhận thức của robot: hiểu video, suy luận không gian, điều phối công cụ đa bước, định vị khoảnh khắc video, theo dõi tiến độ, phối hợp nhiều robot và tự sửa lỗi, với biến thể phát trực tuyến để tương tác âm thanh-video hai chiều theo thời gian thực. Nó có sẵn trong Gemini API (code>gemini-robotics-er-2-preview/code> và code>gemini-robotics-er-2-streaming-preview/code>) và Google AI Studio, dưới dạng bản xem trước đóng. Google coi đây là mô hình robot an toàn nhất từ trước đến nay, với những cải tiến đáng kể so với ER 1.6 trong phối hợp nhiều robot và theo dõi tiến độ. Đây là lớp suy luận, không phải bộ điều khiển chấp hành cấp thấp.

Những điểm chính rút ra

• Suy luận nhập thể (ER): ER 2 là bộ não nhận thức và lập kế hoạch cấp cao, không phải bộ điều khiển vận động trực tiếp (vai trò đó thuộc về dòng VLA/trên thiết bị riêng biệt).

• Kỹ năng cốt lõi: hiểu video, suy luận không gian, điều phối công cụ đa bước, định vị thời điểm video, phân loại tiến độ, phối hợp nhiều robot, tự hiệu chỉnh.

• Biến thể streaming: code>gemini-robotics-er-2-streaming-preview/code> bổ sung tương tác âm thanh-hình ảnh hai chiều với độ trễ thấp để điều khiển và hội thoại theo thời gian thực.

• Ưu tiên an toàn: Google định vị ER 2 là mô hình robot an toàn nhất của mình về tuân thủ ràng buộc an toàn và khoảng cách với con người, với các cải thiện về điểm chuẩn ASIMOV2.

• Tính khả dụng: Gemini API + Google AI Studio (bản xem trước công khai); Enterprise Agent Platform trong bản xem trước riêng tư; các mô hình VLA/trên thiết bị chỉ giới hạn cho các đối tác giai đoạn đầu. Đã đóng.

Ý nghĩa của "Embodied Reasoning"

Các hệ thống robot hiện đại ngày càng được chia thành hai lớp. Một bộ não lý luận cấp cao hiểu được cảnh vật, quyết định việc cần làm và lập kế hoạch; một mô hình hành động cấp thấp chuyển đổi kế hoạch thành các lệnh vận động chính xác. Gemini Robotics ER 2 là lớp đầu tiên: một mô hình ngôn ngữ-thị giác có lý luận nhúng (embodied-reasoning vision-language model). Nó tiếp nhận video (và âm thanh cũng như văn bản), xây dựng sự hiểu biết về vật thể, không gian và tiến trình theo thời gian, đồng thời xuất ra các kế hoạch và lời gọi công cụ — bao gồm việc gọi các công cụ bên ngoài như Google Search — mà một hệ thống hành động riêng biệt hoặc con người có thể thực thi. Nói cách khác, ER 2 là phần của robot có nhiệm vụ suy nghĩ, không phải phần di chuyển; các mô hình ngôn ngữ-thị giác-hành động (VLA) điều khiển trực tiếp và mô hình trên thiết bị (on-device) của Google là một dòng riêng, hiện chỉ giới hạn cho các đối tác đầu tiên.

ER 2 có thể làm gì

Google mô tả một bộ kỹ năng suy luận nhúng thể rộng lớn. ER 2 có thể hiểu video và xác định chính xác những khoảnh khắc cụ thể trong đó ("khi nào chiếc cốc rơi?"), suy luận về không gian 3D và mối quan hệ giữa các vật thể, phân loại tiến độ tác vụ (bước đã hoàn thành, hoàn thành một phần, hay thất bại?), và điều phối việc sử dụng công cụ đa bước để đạt được mục tiêu. Nó có thể trò chuyện với con người, lập kế hoạch cho các tác vụ kéo dài nhiều phút, tự điều chỉnh khi có sự cố xảy ra, và — đáng chú ý — phối hợp nhiều robot làm việc cùng nhau. Đây chính xác là những khả năng mà một robot cần để vận hành trong môi trường thực tế phức tạp thay vì các bản demo được lập trình sẵn.

Biến thể phát trực tuyến: tương tác thời gian thực

Bên cạnh bản xem trước tiêu chuẩn, Google đã phát hành code>gemini-robotics-er-2-streaming-preview/code>, được tối ưu hóa cho âm thanh-video hai chiều với độ trễ thấp. Điều này rất quan trọng đối với các ứng dụng robot vật lý: robot cần cảm nhận, suy luận và phản hồi liên tục, chứ không phải theo từng lượt yêu cầu-phản hồi chậm chạp. Mô hình streaming cho phép tương tác theo thời gian thực — xem luồng video trực tiếp, trò chuyện với con người và điều chỉnh kế hoạch ngay khi đang thực hiện — điều này rất cần thiết cho trợ lý tương tác, hỗ trợ điều khiển từ xa và các tác vụ đa bước động.

Có gì mới so với ER 1.6

ER 2 là một bước tiến rõ rệt so với Gemini Robotics ER 1.6. Google nhấn mạnh khả năng phối hợp nhiều robot và theo dõi tiến độ tác vụ tốt hơn đáng kể, điều phối công cụ đa bước mạnh mẽ hơn, cùng hành vi an toàn được cải thiện. Cụ thể về mặt an toàn, Google định vị ER 2 là mô hình robot an toàn nhất từ trước đến nay, dựa trên việc tuân thủ các ràng buộc an toàn và hành vi khi ở gần con người được cải thiện, cùng những tiến bộ trên chuẩn đánh giá an toàn ASIMOV2. Đối với các đội ngũ xây dựng hệ thống triển khai thực tế, những cải tiến về phối hợp, theo dõi tiến độ và an toàn chính là các nâng cấp có tác động lớn nhất.

An toàn và đánh giá

An toàn là trọng tâm trong định vị của ER 2. Google báo cáo rằng nó dẫn đầu về mức độ tuân thủ các ràng buộc an toàn và về mức độ hành vi của nó khớp với phán đoán an toàn của con người xung quanh người dùng, với điểm số được cải thiện trên ASIMOV2 (một điểm chuẩn robot định hướng an toàn). Vì robot hoạt động trong thế giới vật lý, các thuộc tính an toàn này quan trọng hơn nhiều so với một chatbot — một lỗi lập kế hoạch có thể gây ra tác hại thực sự. Như với bất kỳ điểm chuẩn nào của nhà cung cấp, hãy coi các chi tiết này chỉ là sớm và mang tính định hướng; việc đánh giá robot độc lập vẫn đang phát triển.

Tình trạng sẵn có và giá cả

ER 2 có sẵn trong bản xem trước công khai thông qua Gemini API — ID mô hình code>gemini-robotics-er-2-preview/code> và code>gemini-robotics-er-2-streaming-preview/code> — và trong Google AI Studio. Tích hợp Enterprise Agent Platform đang trong bản xem trước riêng tư, và các mô hình VLA điều khiển trực tiếp cùng mô hình trên thiết bị vẫn chỉ giới hạn cho các đối tác sớm. Hiện tại chúng vẫn đóng. Giá cả tuân theo hóa đơn Gemini API tiêu chuẩn; Google không công bố mức giá riêng cho robotics khi ra mắt. Xác nhận quyền truy cập và chi phí hiện tại trong tài liệu Gemini API.

Ba tình huống mà ER 2 phù hợp

1. Robot kho hàng và logistics

Suy luận không gian, theo dõi tiến trình và phối hợp nhiều robot phù hợp với các nhiệm vụ gắp-đặt, phân loại và đội robot, trong đó robot cần hiểu cảnh và hợp tác với nhau.

2. Robot trợ lý tương tác

Tương tác âm thanh-hình ảnh theo thời gian thực của biến thể phát trực tuyến cho phép robot quan sát, lắng nghe, trò chuyện và lập kế hoạch cho các nhiệm vụ kéo dài nhiều phút cùng với con người.

3. Kiểm tra và giám sát

Khả năng hiểu video và định vị khoảnh khắc khiến ER 2 hữu ích cho việc phân tích luồng trực tiếp hoặc đã ghi — phát hiện sự kiện, phân loại trạng thái và đánh dấu tiến trình hoặc lỗi.

Cách nó phù hợp với một ngăn xếp AI rộng hơn

Gemini Robotics ER 2 là một mô hình robot chuyên dụng được truy cập thông qua API Gemini của Google, không phải là một LLM đa dụng — vì vậy nó không phải thứ mà một bộ định tuyến mô hình tổng quát lưu trữ. Đối với các phần ngôn ngữ đa dụng và đa phương thức của một ứng dụng xoay quanh robot — giao diện ngôn ngữ tự nhiên, lập luận, điều phối, phân tích — một điểm cuối trung lập với nhà cung cấp giúp bạn giữ mọi lựa chọn luôn rộng mở: a href="https://www.orcarouter.ai/">OrcaRouter/a> cung cấp một điểm cuối tương thích OpenAI cho nhiều LLM văn bản và đa phương thức (bao gồm cả các mô hình Gemini tổng quát của Google), trong khi khả năng điều khiển hiện thân của ER 2 chạy thông qua API robot chuyên dụng của Google. Sự tách biệt đó là điều tự nhiên: hãy dùng bộ não robot chuyên dụng cho việc điều khiển hiện thân, và một điểm cuối trung lập với nhà cung cấp cho mọi thứ khác.

Hạn chế và lưu ý

ER 2 là một lớp lập luận/lập kế hoạch, không phải robot trọn gói — bạn vẫn cần một hệ thống hành động (VLA của Google/mô hình trên thiết bị, chỉ giới hạn cho đối tác, hoặc hệ thống tự xây dựng) để thực thi kế hoạch về mặt vật lý. Đây là bản xem trước kín, vì vậy tính khả dụng và hành vi có thể thay đổi, và mức giá cụ thể chưa được công bố. Các tuyên bố về điểm chuẩn và an toàn do nhà cung cấp báo cáo và còn sớm; việc đánh giá robot độc lập vẫn chưa chín muồi. Và triển khai nhúng thực tế mang theo nghĩa vụ an toàn trong thế giới thực vượt xa việc kiểm thử phần mềm. Hãy coi nó như một bản xem trước mạnh mẽ để xây dựng nguyên mẫu, không phải một bộ điều khiển sản xuất hoàn chỉnh.

Câu hỏi thường gặp

Gemini Robotics ER 2 là gì?

Mô hình thị giác-ngôn ngữ suy luận hiện thân của Google DeepMind — bộ não nhận thức và lập kế hoạch cấp cao của robot — được phát hành dưới dạng bản xem trước công khai vào ngày 30 tháng 7 năm 2026, kèm theo biến thể phát trực tuyến theo thời gian thực.

ER 2 có điều khiển trực tiếp động cơ robot không?

Không. ER 2 là lớp lý luận/lập kế hoạch; việc điều khiển vận động trực tiếp được xử lý bởi các mô hình thị giác-ngôn ngữ-hành động (VLA) và mô hình trên thiết bị riêng biệt, hiện chỉ giới hạn cho các đối tác ban đầu.

ER 2 có thể làm gì?

Hiểu video và định vị khoảnh khắc, suy luận không gian, điều phối công cụ đa bước, phân loại tiến độ, phối hợp đa robot, tự sửa lỗi và tương tác thời gian thực (biến thể streaming).

ER 2 khác với ER 1.6 như thế nào?

Google báo cáo khả năng phối hợp nhiều robot và theo dõi tiến độ tốt hơn, điều phối công cụ mạnh mẽ hơn, đồng thời cải thiện an toàn — bao gồm cả những tiến bộ trên chuẩn đánh giá an toàn ASIMOV2 — đưa ER 2 trở thành mô hình robot an toàn nhất của hãng từ trước đến nay.

Làm cách nào để truy cập Gemini Robotics ER 2?

Thông qua Gemini API (code>gemini-robotics-er-2-preview/code>, code>gemini-robotics-er-2-streaming-preview/code>) và Google AI Studio, dưới dạng bản xem trước công khai đóng. Giá cả tuân theo cách tính phí Gemini API tiêu chuẩn.

ER 2 có an toàn cho robot thật không?

Google định vị đây là mô hình robot an toàn nhất của hãng về khả năng tuân thủ các ràng buộc an toàn và khoảng cách với con người, nhưng việc triển khai trong thực tế vật lý mang theo những nghĩa vụ an toàn trong thế giới thực; hãy coi các tuyên bố an toàn này chỉ mới ở giai đoạn đầu và xác thực một cách nghiêm ngặt.

Kết luận

Gemini Robotics ER 2 là một bước tiến lớn cho AI nhập thể: {{1}}một bộ não suy luận tập trung vào an toàn, cho phép robot hiểu video, suy luận về không gian và thời gian, lập kế hoạch cho các nhiệm vụ kéo dài nhiều phút, phối hợp với các robot khác và tương tác theo thời gian thực thông qua biến thể phát trực tuyến của nó{{/1}}. Nó là {{2}}một lớp lập kế hoạch, không phải bộ điều khiển động cơ{{/2}}, và là {{3}}bản xem trước kín ở giai đoạn đầu với các điểm chuẩn do nhà cung cấp báo cáo{{/3}} — nhưng {{4}}những cải thiện về phối hợp, theo dõi tiến độ và an toàn so với ER 1.6{{/4}} là đáng kể. {{5}}Hãy tạo nguyên mẫu với nó thông qua Gemini API cho nhập thể{{/5}}, và giữ {{6}}các phần ngôn ngữ/đa phương thức tổng quát trong ngăn xếp của bạn trung lập với nhà cung cấp thông qua một endpoint như OrcaRouter{{/6}}.