--- title: "Google DeepMind praesentiert Gemini Robotics 2.5: Roboter binden Schleifen und montieren Autoteile mit 96% Genauigkeit" description: "Google DeepMind hat Gemini Robotics 2.5 vorgestellt: ein KI-Modell, das Roboter befähigt, komplexe Präzisionsaufgaben in realen Mercedes-Benz-Fabriken in Europa mit einer Erfolgsquote von bis zu 96% auszuführen." date: 2026-11-11T17:22:47.647Z lang: de url: https://xab.info/de/posts/gemini-robotics-2-5-google-deepmind-roboter tags: [google-deepmind, gemini-robotics, humanoid-robots, mercedes-benz, artificial-intelligence, robotics] author: "Alexander Buran" publisher: "XAB.info" --- # Google DeepMind praesentiert Gemini Robotics 2.5: Roboter binden Schleifen und montieren Autoteile mit 96% Genauigkeit ![Zwei humanoide Apollo 2 Roboter montieren Autoteile am Fließband in einer Mercedes-Benz Fabrik](https://xab.info/media/2026/11/11/gemini-robotics-2-5-google-deepmind-roboty/gemini-robotics-2-5-google-deepmind-roboty-1.webp) ## Kernpunkte - Google DeepMind veröffentlichte Gemini Robotics 2.5, ein zweistufiges KI-Modell (Embodied Reasoning + VLA) zur Robotersteuerung. - In Mercedes-Benz-Fabriken in Deutschland und Ungarn zeigten Apollo-2-Roboter eine Erfolgsquote von 96% bei der Kommissionierung von Autoteilen. - In Labortests stieg die Leistung von 30 auf 100%, die Geschwindigkeit um 20–30%; ein Roboter band eine Schleife. - DeepMind gibt zu, dass die letzten 4% Fehlerquote am schwersten zu beheben sind, und veröffentlichte den Sicherheitsstandard ASIMOV-Jailbreak auf Hugging Face. Google DeepMind hat Gemini Robotics 2.5 vorgestellt, ein aktualisiertes KI-Modell, das es Robotern laut Entwicklern ermöglicht, komplexe physische Aufgaben "fast so präzise wie Menschen" auszuführen. Die Plattform wird bereits in der realen Produktion getestet: In Partnerschaft mit Apptronik und Mercedes-Benz wurden humanoide Apollo-2-Roboter bei der Kommissionierung von Autoteilen in europäischen Werken in Deutschland und Ungarn eingesetzt, wo das System eine Erfolgsquote von 96 Prozent erreichte. Labortests zeigen, dass die Leistungsfähigkeit im Vergleich zur Vorgängerversion von 30 auf 100 Prozent stieg und die Aufgabengeschwindigkeit um 20 bis 30 Prozent zunahm. ### Architektur mit zwei Rechenebenen Die DeepMind-Plattform basiert auf einem zweistufigen Schema. Die obere Ebene, das Modell Gemini Embodied Reasoning, ist für die visuelle Wahrnehmung der Umgebung und die Aktionsplanung zuständig. Die untere Ebene, die VLA-Klasse (Vision-Language-Action) von Gemini Robotics, setzt diese Pläne in direkte physische Bewegungen der Mechanismen um. Genau diese Aufteilung ermöglicht es dem System laut den Ingenieuren, eine Aufgabe gleichzeitig zu "verstehen" und präzise auszuführen, was bei Vorgängen, die feinmotorisches Geschick erfordern, entscheidend ist. ### Von der Chemikalienpipette bis zum Schleifenband Während der Tests durchlief das Modell über 200 verschiedene Prozesse, darunter den Umgang mit Lebensmitteln mittels Kochzange und die Arbeit mit einer Chemikalienpipette — Aufgaben, bei denen Feinmotorik und Kraftdosierung wichtig sind. Besonders erwähnenswert ist die Demonstration des humanoiden Roboters Apollo 2 von Apptronik, der mit fünf-fingrigen Händen ausgestattet ist: Die Maschine band selbstständig eine Schleife, was ein anschauliches Beispiel für die Bewältigung komplexer, mehrstufiger Manipulationen darstellt. ### Die Jagd nach den letzten vier Prozent Trotz der beeindruckenden Zahlen reicht eine Erfolgsquote von 96 Prozent für Industriegiganten bisher nicht aus: Menschen machen bei monotonen Tätigkeiten praktisch keine Fehler, und ein vollständiger Ersatz von Arbeitern erfordert ein höheres Meisterschaftsniveau. Vertreter von DeepMind geben offen zu, dass die Überwindung der letzten vier Prozent Fehlerquote der schwierigste Teil des Weges sein wird. Die Projektautoren beschreiben auch die strategische Wahl: Man kann eine ideale Lösung für eine enge Aufgabe schaffen oder auf Universalität setzen, bei der es extrem schwierig ist, über alle Szenarien hinweg eine Fehlerfreiheit von 99,9 Prozent zu erreichen. ### Simulation als Treibstoff für das Training Das Modell Gemini 4 Argon gab der Plattform einen bedeutenden Entwicklungsschub. Da physische Daten für das Training von Robotern nur begrenzt verfügbar sind, half Argon beim Aufbau einer Simulationsmaschine: Sie generierte tausende Varianten von Trainingsläufen auf Basis echter Videoaufnahmen, bildete "digitale Zwillinge" der Umgebung und beschleunigte die Anpassung des Systems an neue Aufgaben, ohne jeden Prozess live erfassen zu müssen. ### Sicherheit und offene Stresstests Ein separater Arbeitsbereich widmet sich der Sicherheit von Menschen, die in der Nähe der Mechanismen arbeiten. Dank Echtzeit-Algorithmen zur Hinderniserkennung stoppt der Roboter oder geht in den Standby-Modus, wenn ein Hindernis auf seinem Weg erscheint. Darüber hinaus hat DeepMind den Sicherheitsstandard ASIMOV-Jailbreak auf der Plattform Hugging Face veröffentlicht, der 1500 "Fallen" enthält, die einen Roboter zu einer gefährlichen Aktion zwingen sollen — dies ermöglicht Entwicklern weltweit, die Widerstandsfähigkeit ihrer eigenen physischen Modelle zu testen. Gemini Robotics 2.5 selbst läuft über Cloud-Server und wird Partnerunternehmen aus der Robotikbranche bereitgestellt, darunter Boston Dynamics, Agile Robots und Apptronik. ## Faktencheck und Quellen - [Роботы осваивают человеческую моторику: Google показала, на что способен новый ИИ](https://www.rbc.ua/ukr/news/roboti-opanovuyut-lyudsku-motoriku-google-1794408422.html) - Grundlagenquelle: Beschreibung der Architektur von Gemini Robotics 2.5, Tests bei über 200 Prozessen, Partnerschaften mit Apptronik und Mercedes-Benz (96% in Werken in Deutschland und Ungarn), Modell Gemini 4 Argon, Standard ASIMOV-Jailbreak und Partnerliste. Zahlen stammen aus Entwicklerdaten. ## Häufige Fragen ### Was ist Gemini Robotics 2.5? Es handelt sich um ein aktualisiertes KI-Modell von Google DeepMind zur Robotersteuerung, bestehend aus zwei Ebenen: Gemini Embodied Reasoning (visuelle Wahrnehmung und Planung) und die VLA-Klasse von Gemini Robotics, die physische Bewegungen für die Mechanismen generiert. ### Welche Ergebnisse zeigte das System in der Produktion? In europäischen Mercedes-Benz-Werken in Deutschland und Ungarn erledigten Apollo-2-Roboter die Kommissionierung von Autoteilen mit einer Erfolgsquote von 96 Prozent. In Labortests stieg die Leistung von 30 auf 100 Prozent und die Aufgabengeschwindigkeit um 20 bis 30 Prozent. ### Reichen 96 Prozent für den Ersatz von Menschen aus? Laut DeepMind bisher nicht: Menschen machen bei monotonen Tätigkeiten kaum Fehler, und die Überwindung der letzten vier Prozent Fehlerquote wird als schwierigster Teil anerkannt. Die Entwickler weisen zudem auf den Kompromiss zwischen einer idealen Spezialaufgabe und einer Universalität auf 99,9-Prozent-Niveau hin.