--- title: "Google DeepMind показала Gemini Robotics 2.5: роботы завязывают банты и собирают автозапчасти с точностью 96%" description: "Google DeepMind представила Gemini Robotics 2.5: ИИ-модель, позволяющая роботам выполнять сложные точные задачи с успехом до 96% на реальных заводах Mercedes-Benz в Европе." date: 2026-11-11T17:22:47.647Z lang: ru url: https://xab.info/posts/gemini-robotics-2-5-google-deepmind-roboty tags: [google-deepmind, gemini-robotics, humanoid-robots, mercedes-benz, artificial-intelligence, robotics] author: "Александр Буран" publisher: "XAB.info" --- # Google DeepMind показала Gemini Robotics 2.5: роботы завязывают банты и собирают автозапчасти с точностью 96% ![Два гуманоидных робота Apollo 2 собирают автомобильные детали на конвейере завода Mercedes-Benz](https://xab.info/media/2026/11/11/gemini-robotics-2-5-google-deepmind-roboty/gemini-robotics-2-5-google-deepmind-roboty-1.webp) ## Ключевые тезисы - Google DeepMind выпустила Gemini Robotics 2.5 — двухуровневую ИИ-модель (Embodied Reasoning + VLA) для управления роботами. - На заводах Mercedes-Benz в Германии и Венгрии роботы Apollo 2 показали успешность 96% при комплектации автозапчастей. - В лабораторных тестах результативность выросла с 30 до 100%, скорость задач — на 20–30%; робот завязал ленту в бант. - DeepMind признаёт, что последние 4% дефектов — самая сложная часть, и открыла стандарт безопасности ASIMOV-Jailbreak на Hugging Face. Google DeepMind представила Gemini Robotics 2.5 — обновлённую ИИ-модель, которая, по заявлению разработчиков, позволяет роботам выполнять сложные физические задачи «почти так же точно, как люди». Платформа уже проходит испытания на реальном производстве: в партнёрстве с Apptronik и Mercedes-Benz гуманоидные роботы Apollo 2 занимались комплектацией автомобильных запчастей на европейских заводах в Германии и Венгрии, где система достигла показателя успешности в 96 процентов. По данным лабораторных тестов, результативность действий выросла с 30 до 100 процентов по сравнению с предыдущей версией, а скорость выполнения задач увеличилась на 20–30 процента. ### Архитектура в два вычислительных уровня Платформа DeepMind построена по двухуровневой схеме. Верхний слой — модель Gemini Embodied Reasoning — отвечает за визуальное восприятие среды и планирование действий. Нижний слой, Gemini Robotics класса VLA (vision-language-action), преобразует эти планы в непосредственные физические движения механизмов. Именно такое разделение, по замыслу инженеров, позволяет системе одновременно «понимать» задачу и точно её выполнять, что критично для операций, требующих ловкости рук. ### От химической пипетки до банта на ленте В ходе тестирования модель прошла более 200 различных процессов, включая подачу пищи кулинарными щипцами и работу с химической пипеткой — задачи, где важна мелкая моторика и контроль силы. Отдельного внимания заслуживает демонстрация на гуманоидном роботе Apollo 2 от Apptronik, оснащённом пятипалыми кистями: машина самостоятельно завязала ленту в бант, что стало наглядным примером освоения сложной многошаговой манипуляции. ### Погоня за последними четырьмя процентами Несмотря на впечатляющие цифры, для промышленных гигантов показателя в 96 процентов пока недостаточно: человек на монотонных операциях практически не допускает ошибок, и для полной замены рабочих требуется мастерство более высокого уровня. Представители DeepMind прямо признают, что преодоление последних четырёх процентов дефектов станет самой тяжёлой частью пути. Авторы проекта описывают и стратегический выбор: можно создать идеальное решение под одну узкую задачу или двигаться к универсальности, где добиться безошибочности на уровне 99,9 процента во всех сценариях крайне сложно. ### Симуляция как топливо для обучения Существенный толчок развитию платформы дала модель Gemini 4 Argon. Поскольку физических данных для обучения роботов в открытом доступе мало, Argon помогла создать симуляционный двигатель: она сгенерировала тысячи вариаций тренировочных прогонов на основе реальных видеозаписей, сформировав «цифровые копии» среды и ускорив адаптацию системы к новым задачам без необходимости собирать каждый сценарий вживую. ### Безопасность и открытые тесты на устойчивость Отдельный блок работ посвящён безопасности людей, работающих рядом с механизмами. Благодаря алгоритмам анализа помех в реальном времени робот останавливается или переходит в ожидание, если на его пути появляется преграда. Кроме того, DeepMind открыла на платформе Hugging Face стандарт безопасности ASIMOV-Jailbreak, содержащий 1500 «ловушек», призванных заставить робота выполнить опасное действие, — это позволяет разработчикам по всему миру тестировать устойчивость собственных физических моделей. Сама Gemini Robotics 2.5 работает через облачные серверы и предоставляется партнёрским робототехническим компаниям, среди которых Boston Dynamics, Agile Robots и Apptronik. ## Проверка фактов и источники - [Роботы осваивают человеческую моторику: Google показала, на что способен новый ИИ](https://www.rbc.ua/ukr/news/roboti-opanovuyut-lyudsku-motoriku-google-1794408422.html) - Первоисточник основы: описание архитектуры Gemini Robotics 2.5, тесты на 200+ процессах, партнёрство с Apptronik и Mercedes-Benz (96% на заводах в Германии и Венгрии), модель Gemini 4 Argon, стандарт ASIMOV-Jailbreak и список партнёров. Цифры — данные разработчика. ## Частые вопросы ### Что такое Gemini Robotics 2.5? Это обновлённая ИИ-модель Google DeepMind для управления роботами, состоящая из двух уровней: Gemini Embodied Reasoning (визуальное восприятие и планирование) и Gemini Robotics класса VLA, генерирующего физические движения механизмов. ### Какие результаты показала система на производстве? На европейских заводах Mercedes-Benz в Германии и Венгрии роботы Apollo 2 выполняли комплектацию автозапчастей с успешностью 96 процентов. В лабораторных тестах результативность выросла с 30 до 100 процентов, а скорость выполнения задач увеличилась на 20–30 процента. ### Достаточно ли 96 процентов для замены людей? По оценке DeepMind, пока нет: человек на монотонных операциях почти не ошибается, и преодоление последних четырёх процентов дефектов признано самой трудной частью. Разработчики также указывают на компромисс между узкой идеальной задачей и универсальностью на уровне 99,9 процента.