Google DeepMind stellt Gemini Robotics vor und macht Gemini 2.0 zur Robotersteuerung, Apptronik wird Humanoid-Partner

Google DeepMind hat am 12. März 2025 zwei Robotikmodelle auf Basis seiner Modellfamilie Gemini 2.0 vorgestellt. Es ist der bislang direkteste Versuch eines führenden KI-Labors, ein allgemeines multimodales Sprachmodell in die Steuerung einer realen Maschine zu verwandeln. Gemini Robotics ist ein Vision-Language-Action-Modell (VLA), das physische Aktionen als zusätzliche Ausgabe beherrscht. Dasselbe neuronale Netz, das Kamerabilder und gesprochene Anweisungen verarbeitet, bewegt auch die Roboterarme. Gemini Robotics-ER, wobei ER für Embodied Reasoning steht, ist ein auf räumliches Verständnis getrimmtes Bild-Sprach-Modell, das Hersteller an ihre eigenen Steuerungen anbinden können.

Das Unternehmen nannte zwei zentrale Kennzahlen. In der von Carolina Parada verfassten Mitteilung erklärte Google DeepMind, Gemini Robotics erziele in einem umfassenden Generalisierungs-Benchmark mehr als die doppelte Leistung anderer moderner VLA-Modelle. Werde Gemini Robotics-ER durchgängig für Wahrnehmung, Planung und Code-Erzeugung eingesetzt, liege die Erfolgsquote beim Zwei- bis Dreifachen von Gemini 2.0. Laut dem begleitenden technischen Bericht arbeitet das Aktionssystem mit einer effektiven Frequenz von 50 Hz; das in der Cloud betriebene Basismodell antwortet in weniger als 160 Millisekunden, die Gesamtlatenz von der Kamerabeobachtung bis zum Bewegungsbefehl liegt bei rund 250 Millisekunden.

Die Roboterdaten stammen überwiegend von Google DeepMinds eigener Flotte zweiarmiger ALOHA-2-Roboter. Dem Bericht zufolge sammelten Teleoperatoren über zwölf Monate Tausende Stunden an Expertendemonstrationen zu Tausenden Aufgaben; ergänzt wurde das um Webdokumente, Code, Bilder, Audio und Video. In Vorführungen faltete das Modell einen Origami-Fuchs und verstaute einen Snack in einem Ziploc-Beutel. Neue kurze Aufgaben lerne es mit nur 100 Demonstrationen; nach Spezialisierung mit 2.000 bis 5.000 Episoden je Aufgabe packte es eine Brotdose in 20 von 20 Versuchen erfolgreich. Übertragen wurde das Modell auch auf eine zweiarmige Franka-Plattform und auf den Humanoiden Apollo von Apptronik.

Für das Denkmodell entwickelte DeepMind den offenen Benchmark ERQA mit 400 Multiple-Choice-Fragen zur physischen Welt und stellte ihn unter der Lizenz CC BY 4.0 auf GitHub. Als Vergleichswerte nennt der Bericht 46,3 Prozent für Gemini 2.0 Flash, 48,3 Prozent für Gemini 2.0 Pro Experimental, 47,0 Prozent für GPT-4o von OpenAI und 35,5 Prozent für Claude 3.5 Sonnet von Anthropic; mit Chain-of-Thought-Prompting stieg Gemini 2.0 Pro Experimental auf 54,8 Prozent. Beim Zeigen auf Objekte, also der Frage, wo ein Greifer ansetzen soll, erreichte Gemini Robotics-ER auf Paco-LVIS 71,3 Punkte gegenüber 46,1 für Gemini 2.0 Flash und 16,2 für GPT-4o; bei der 3D-Erkennung auf SUN-RGBD kam es auf 48,3 AP@15.

Vermarktet wird das Ganze nicht als Produkt, sondern über ein Partnerprogramm. Google DeepMind arbeitet nach eigenen Angaben mit dem US-Humanoidhersteller Apptronik an der nächsten Generation humanoider Roboter mit Gemini 2.0. Apptronik hatte am 13. Februar 2025 eine Series A über 350 Millionen US-Dollar unter Führung von B Capital und Capital Factory abgeschlossen, an der sich Google beteiligte, und eine strategische Zusammenarbeit mit dem Robotikteam von Google DeepMind bekanntgegeben. Gemini Robotics-ER erhielten zunächst ausgewählte Tester: Agile Robots aus Deutschland, Agility Robotics, Boston Dynamics und Enchanted Tools aus Frankreich. Das VLA-Modell selbst wurde nicht allgemein freigegeben, Preise nannte Google nicht.

Google DeepMind ist das in London ansässige KI-Labor von Alphabet; die Daten für diese Modelle stammen aus eigenen ALOHA-2-Zweiarmrobotern. Neu ist im März 2025 der Ausgangspunkt. Statt eine Roboterstrategie zu trainieren und Sprache später anzuflanschen, begann das Labor bei Gemini 2.0, das bereits weiß, was ein Ziploc-Beutel ist und wie eine Brotdose schließt, und brachte ihm das Handeln bei.

Der Wettbewerb ist dicht besetzt. Figure AI veröffentlichte am 20. Februar 2025 Helix, ein zweistufiges Modell: Ein Bild-Sprach-Modell mit 7 Milliarden Parametern denkt mit 7 bis 9 Hz, eine Steuerung mit 80 Millionen Parametern führt 35 Freiheitsgrade des Oberkörpers mit 200 Hz, trainiert mit rund 500 Stunden Teleoperation und vollständig auf eingebetteten GPUs im Roboter. Physical Intelligence verteilt seine π0-Modelle über das Repository openpi, die Basis-Checkpoints sind mit mehr als 10.000 Stunden Roboterdaten vortrainiert; der Gemini-Bericht nutzte eine Nachimplementierung von π0 als Vergleich. Sechs Tage nach Google stellte NVIDIA am 18. März auf der GTC das offene, anpassbare Humanoidmodell Isaac GR00T N1 vor und erklärte, binnen 11 Stunden 780.000 synthetische Trajektorien erzeugt zu haben, was die Leistung zusammen mit Realdaten um 40 Prozent steigerte. Zu den Erstnutzern von GR00T N1 zählt mit NEURA Robotics ebenfalls ein deutsches Unternehmen.

Vereinfacht gibt es zwei Wege. Ein Hersteller überlässt Gemini Robotics die ganze Arbeit, Bilder und Worte hinein, Gelenkbefehle heraus. Oder er behält seine eigene Bewegungssteuerung und fragt Gemini Robotics-ER nur das, woran klassische Software scheitert, etwa wo eine Tasse zu greifen ist oder in welche Richtung sich eine Schublade öffnet, und erhält Punkte, Boxen und Bahnen zurück. Für Außenstehende geöffnet hat Google zuerst den zweiten Weg, ein Zeichen dafür, wie vorsichtig das Labor mit der direkten Motorsteuerung umgeht.

Für Europas Industrie ist dieser zweite Weg der interessantere. Maschinenbauer und Automobilzulieferer haben jahrzehntelang in sichere, zertifizierte Steuerungen investiert und werden diese nicht gegen ein Cloud-Modell tauschen. Ein Denkmodell, das Greifpunkte und Bahnen liefert, während die bewährte Steuerung die Bewegung ausführt, passt dagegen zur Logik des Mittelstands. Dass Agile Robots unter den ersten Testern ist und NEURA früh Zugang zu NVIDIAs Modell erhielt, zeigt, dass deutsche Hersteller sich zwischen den US-Plattformen positionieren, statt eigene Großmodelle zu bauen. Offen bleibt, wie sich cloudgestützte Robotersteuerung mit europäischen Anforderungen an Maschinensicherheit und Datenhaltung verträgt.

Die Risiken sind beträchtlich. Die zentrale Generalisierungszahl ist relativ, gemessen auf Googles eigenem Benchmark gegen selbst gewählte Vergleichsmodelle, darunter eine eigene Nachimplementierung eines Konkurrenzmodells. Die geteilte Architektur hängt an Cloud und Netzverbindung, die in Fabrikhallen nicht immer stabil ist. Auch gewann Google nicht jeden Test. Beim Zeige-Benchmark Where2Place erreichte das offene Modell Molmo 72B 63,8 Punkte, Gemini Robotics-ER 45,0. Für die Sicherheit präsentierte DeepMind den Datensatz ASIMOV zur Bewertung semantischer Sicherheit und datengetriebene Regelwerke, die es Verfassungen nennt; zertifizierte Sicherheitssteuerungen auf der Maschine ersetzen beide nicht.