Un robot humanoïde reçoit une consigne, marche jusqu’à une table, se baisse, saisit un arrosoir puis le range sur une étagère basse. Ailleurs, deux machines aux formes différentes se répartissent les étapes d’une même mission. Ces démonstrations ne prouvent pas encore que les robots généralistes sont prêts à entrer dans les foyers ou les usines. Elles montrent néanmoins où se déplace la frontière de l’intelligence artificielle : du dialogue avec un écran vers la coordination de mouvements dans le monde réel.
Google DeepMind a présenté le 30 juillet 2026 Gemini Robotics 2, une famille de trois modèles destinée à donner aux robots davantage d’autonomie physique. Le premier traduit la vision et le langage en mouvements du corps entier. Le deuxième planifie les étapes, surveille leur exécution et peut coordonner plusieurs machines. Le troisième fonctionne directement sur l’appareil et s’adapte à de nouveaux matériels avec une quantité limitée de données.
L’annonce est importante parce qu’elle assemble des capacités jusque-là souvent traitées séparément : comprendre une demande, observer une scène, marcher, manipuler un objet, vérifier que l’action est terminée, corriger une erreur et s’arrêter lorsqu’une personne s’approche. Mais les résultats publiés par Google décrivent encore une technologie expérimentale. Certaines tâches fines ne réussissent que dans un tiers ou moins des essais, et les modèles chargés du mouvement ne sont accessibles qu’à des partenaires sélectionnés.
Trois modèles pour séparer la réflexion du mouvement
Gemini Robotics 2 n’est pas un logiciel unique que l’on installerait indifféremment dans n’importe quelle machine. Google distingue trois couches, chacune répondant à une contrainte précise de la robotique.
Gemini Robotics 2 est un modèle vision-langage-action, ou VLA. Il reçoit des images et des instructions, puis produit des commandes motrices. Sa nouveauté la plus visible est le contrôle du corps entier : il ne pilote plus seulement deux bras devant une table, mais aussi la marche, l’équilibre, l’accroupissement, l’extension du torse et la manipulation des mains. Google l’a notamment testé sur le robot humanoïde Apollo 2 d’Apptronik et sur la plateforme bi-bras Franka Duo.
Gemini Robotics ER 2 occupe le niveau supérieur. ER signifie « embodied reasoning », ou raisonnement incarné. Ce modèle fondé sur Gemini 3.5 Flash analyse la vidéo, dialogue avec l’utilisateur, découpe une mission en étapes et appelle les outils de contrôle disponibles. Il peut continuer à réfléchir pendant que la machine agit, suivre l’avancement et décider de recommencer une étape. C’est aussi cette couche qui organise le travail de plusieurs robots.
Gemini Robotics On-Device 2 privilégie enfin la rapidité et l’autonomie locale. Il fonctionne sur le matériel robotique sans dépendre en permanence d’une connexion au cloud. Cette propriété compte dans un entrepôt, un atelier ou un site isolé, où la latence et les coupures réseau peuvent rendre un service distant impraticable.
Une architecture proche d’un chef d’équipe et de ses opérateurs
La séparation peut être comparée à une organisation humaine. ER 2 joue le rôle du chef d’équipe : il comprend l’objectif, choisit l’ordre des opérations et vérifie le résultat. Le VLA se rapproche de l’opérateur : il transforme une instruction comme « prendre l’objet sur la table » en une suite continue de gestes. Les contrôleurs classiques de la machine conservent, eux, la responsabilité des fonctions très rapides et déterministes comme l’équilibre, la limitation de force ou l’évitement d’une collision.
Cette architecture évite de demander au même modèle de résoudre simultanément un problème abstrait et de calculer chaque mouvement. Elle crée aussi des points de contrôle. La couche de raisonnement peut refuser une étape, solliciter une clarification humaine ou déclencher un arrêt de sécurité avant de transmettre la commande au modèle d’action.
Le corps entier change la nature des tâches possibles
Les premières générations de modèles robotiques de Google travaillaient surtout sur des tâches de table : déplacer un objet, ouvrir un contenant ou utiliser un outil placé devant deux bras. Gemini Robotics 2 étend le périmètre aux espaces conçus pour les humains.
Dans la démonstration mise en avant par DeepMind, Apollo 2 doit ranger un arrosoir dans un bac situé en bas d’une étagère. Pour y parvenir, il faut localiser l’objet, marcher, le saisir, se déplacer sans le lâcher, s’accroupir et le déposer avec précision. Chaque geste est simple pour une personne valide ; leur enchaînement constitue un problème difficile pour une machine, car une erreur d’équilibre peut annuler toute la mission.
Les évaluations publiées montrent un progrès réel, mais non une maîtrise générale. Avec certaines mains robotisées, Apollo 2 réussit en moyenne 68,4 % des prises sur une table, 45,7 % des prises au sol et 76,3 % des prises sur une étagère. Les résultats varient davantage lorsqu’il faut utiliser plusieurs doigts : 92 % pour dévisser une ampoule, mais 36 % pour la visser, 44 % pour nouer un sac-poubelle et 32 % pour manipuler une pelle à poussière.
Ces écarts sont instructifs. Un robot peut reconnaître l’action attendue tout en échouant à cause d’un contact imparfait, d’un tissu qui se déforme, d’une main mal orientée ou d’un équilibre instable. Dans l’IA physique, comprendre une consigne ne suffit pas : la réussite dépend de la géométrie, de la friction, de la vitesse et des limites mécaniques de chaque corps.
Des robots différents commencent à partager une mission
La coordination de plusieurs machines est l’autre avancée centrale. Un humanoïde peut franchir un obstacle et utiliser un environnement prévu pour des personnes, tandis qu’un robot sur roues se déplace plus vite sur un sol plat et qu’un bras fixe exécute une manipulation précise. Vouloir construire une machine excellente dans toutes ces situations peut coûter plus cher que répartir le travail.
Gemini Robotics ER 2 fournit un langage commun pour cette répartition. Le modèle observe l’état de la mission, associe chaque étape aux capacités disponibles, puis organise les transmissions d’objets ou d’informations. Google présente notamment une collaboration entre Apollo 2 et Franka Duo.
Le progrès ne réside donc pas seulement dans la communication entre robots, qui existe depuis longtemps dans les chaînes industrielles. Il tient à la possibilité de décrire un objectif en langage courant et de laisser une couche d’IA adapter le plan à des machines hétérogènes et à une situation moins structurée.
Cette flexibilité peut intéresser la logistique, la maintenance ou les laboratoires, où les tâches changent plus souvent que sur une ligne de production classique. Elle augmente cependant la surface de défaillance. Un mauvais découpage de la mission peut se propager à plusieurs machines, et un transfert raté peut bloquer tout le flux. Les démonstrations doivent donc être complétées par des essais longs, reproductibles et indépendants avant de conclure à un gain opérationnel.
Le robot doit savoir si son travail est vraiment terminé
Un agent logiciel peut rendre une réponse puis attendre la prochaine demande. Un robot doit décider en continu si un geste a réussi. Une ampoule peut sembler vissée sans être serrée ; un sac peut avoir été saisi mais pas fermé ; un liquide peut atteindre le bord d’un récipient en une fraction de seconde.
ER 2 analyse pour cela un flux vidéo au lieu d’une image isolée. Google mesure deux fonctions : la classification de l’avancement et la détection du moment précis où un événement survient. Le modèle atteint 57,4 % de précision lorsqu’il doit ranger chaque image dans l’une des cinq tranches de progression d’une tâche. Pour retrouver le moment clé, l’entreprise annonce 91,3 % de précision et un écart temporel moyen de 0,96 seconde.
Ces chiffres, issus des propres évaluations de Google, ne couvrent pas toutes les situations réelles. Ils illustrent néanmoins un changement essentiel : le modèle ne se contente plus de planifier au début. Il surveille l’exécution, détecte un échec et peut corriger la suite sans redémarrer toute la mission.
Quelques heures de données pour changer de robot
Les modèles robotiques sont traditionnellement coûteux à transférer d’un matériel à un autre. Une nouvelle longueur de bras, une caméra placée différemment ou un nombre de moteurs supérieur modifient la relation entre les images, les commandes et le mouvement obtenu.
Google affirme que Gemini Robotics On-Device 2 peut s’adapter à une nouvelle plateforme bi-bras en quelques heures, généralement avec moins de 200 exemples. Sur deux robots introduits uniquement après l’entraînement principal, la fiche du modèle rapporte des taux de réussite atteignant 53,3 % pour SO-101 et 75,6 % pour Dexmate, contre 6,7 % et 33,3 % pour la génération précédente dans les mêmes évaluations.
Il faut lire cette promesse avec ses limites. La fiche officielle reconnaît que le modèle généralise encore difficilement aux tâches très différentes de ses données et aux robots comportant beaucoup de degrés de liberté. Elle précise également que son évaluation porte surtout sur des manipulations debout avec deux bras ; les risques liés aux plateformes mobiles et au contrôle du corps entier restent hors de ce périmètre.
La sécurité ne peut pas reposer sur le seul raisonnement de Gemini
Faire agir un modèle statistique près d’une personne transforme une mauvaise réponse en risque physique. DeepMind accompagne donc la sortie d’un nouveau benchmark, ASIMOV-Agentic, qui évalue quatre comportements : refuser une tâche incompatible avec des contraintes, détecter une présence humaine, réagir à un message d’alerte et demander de l’aide lorsqu’une action paraît impossible ou ambiguë.
Dans une expérience en laboratoire, un humain s’approche d’Apollo 2 pendant que le robot trie des objets. Google annonce 99 % de détection de présence et 96 % de réussite pour la transition vers une posture sûre. Le système peut poser l’objet qu’il tient, s’arrêter puis reprendre le travail après le départ de la personne.
Le rapport de sécurité contient toutefois une réserve décisive. Il évalue le raisonnement et l’orchestration de haut niveau, pas l’architecture de sécurité fonctionnelle nécessaire à un déploiement certifié : composants redondants, garanties en temps réel, arrêt d’urgence, limites de vitesse et de force. Les auteurs recommandent de conserver des protections déterministes de bas niveau.
Le document montre aussi qu’expliquer une règle est plus facile que l’appliquer physiquement. Les modèles de frontière dépassent 96 % sur les questions de sécurité en texte, mais leurs performances varient davantage lorsqu’ils doivent localiser un objet ou appeler le bon outil. Le benchmark de proximité estime par ailleurs la distance à une personne avec une erreur moyenne de 35 à 55 centimètres pour les meilleurs modèles, une marge trop grande pour remplacer seule un capteur de sécurité certifié.
La fiche d’ER 2 demande donc explicitement de ne pas utiliser le modèle pour des fonctions critiques dans la santé, les transports ou tout domaine où une panne peut provoquer un décès, une blessure ou un dommage matériel. Gemini ajoute une couche de prudence sémantique ; il ne remplace pas l’ingénierie de sûreté.
Une annonce majeure, mais pas encore un robot universel
L’accès au produit reflète ce stade intermédiaire. Gemini Robotics ER 2, la couche de raisonnement, est disponible dans Google AI Studio et via l’API Gemini. Les modèles qui produisent directement les mouvements — Gemini Robotics 2 et sa version locale — restent réservés à des partenaires en accès anticipé ou à des testeurs approuvés.
Cette distinction évite de confondre un modèle que les développeurs peuvent déjà expérimenter avec un système complet prêt à piloter n’importe quel robot. Il faut encore fournir des interfaces de contrôle, adapter le modèle au matériel, encadrer ses actions et valider chaque usage dans son environnement réel.
La prochaine preuve ne viendra donc pas d’une vidéo plus spectaculaire. Elle reposera sur des données indépendantes : taux de réussite sur plusieurs milliers d’heures, fréquence des arrêts intempestifs, récupération après panne, performance avec des objets et des personnes inconnus, coût de l’adaptation et respect des normes de sécurité.
Gemini Robotics 2 rapproche malgré tout plusieurs pièces longtemps séparées de la robotique généraliste. Un même ensemble de modèles peut désormais planifier, observer, mobiliser le corps entier, transférer des compétences et faire coopérer des machines différentes. Le pas est significatif. Ce qui reste à démontrer est précisément ce qui compte hors du laboratoire : que cette polyvalence demeure fiable lorsque le décor, les objets et les humains cessent de suivre le scénario prévu.
Références
- Google DeepMind, « Gemini Robotics 2 brings whole body intelligence to robots », 30 juillet 2026.
- Google, présentation technique de Gemini Robotics ER 2, 30 juillet 2026.
- Google DeepMind, fiche modèle de Gemini Robotics ER 2, 30 juillet 2026.
- Google DeepMind, fiche modèle de Gemini Robotics On-Device 2, 30 juillet 2026.
- Google DeepMind, rapport « Gemini Robotics 2: Safety Evaluations », 29 juillet 2026.
- Axios, « Google updates its AI software for robots », 30 juillet 2026.
