--- title: "Google DeepMind презентувала Gemini Robotics 2.5: роботи зав’язують банти та складають автозапчастини з точністю 96%" description: "Google DeepMind представила Gemini Robotics 2.5: ШІ-модель, що дозволяє роботам виконувати складні точні завдання з успіхом до 96% на реальних заводах Mercedes-Benz у Європі." date: 2026-11-11T17:22:47.647Z lang: uk url: https://xab.info/uk/posts/gemini-robotics-2-5-google-deepmind-roboty tags: [google-deepmind, gemini-robotics, humanoid-robots, mercedes-benz, artificial-intelligence, robotics] author: "Олександр Буран" publisher: "XAB.info" --- # Google DeepMind презентувала Gemini Robotics 2.5: роботи зав’язують банти та складають автозапчастини з точністю 96% ![Два гуманоїдні роботи Apollo 2 складають автомобільні деталі на конвеєрі заводу 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) ## Ключові тези - Google DeepMind випустила Gemini Robotics 2.5 — дворівневу ШІ-модель (Embodied Reasoning + VLA) для керування роботами. - На заводах Mercedes-Benz у Німеччині та Угорщині роботи Apollo 2 показали успішність 96% при комплектуванні автозапчастин. - У лабораторних тестах результативність зросла з 30 до 100%, швидкість завдань — на 20–30%; робот зав'язав стрічку у бант. - DeepMind визнає, що останні 4% дефектів — найскладніша частина, і відкрила стандарт безпеки ASIMOV-Jailbreak на Hugging Face. Компанія Google DeepMind представила Gemini Robotics 2.5 — оновлену ШІ-модель, яка, за твердженням розробників, дозволяє роботам виконувати складні фізичні завдання «майже так само точно, як люди». Платформа вже проходить випробування на реальному виробництві: у партнерстві з Apptronik та Mercedes-Benz гуманоїдні роботи Apollo 2 займалися комплектуванням автомобільних запчастин на європейських заводах у Німеччині та Угорщині, де система досягла показника успішності у 96 відсотків. За даними лабораторних тестів, результативність дій зросла з 30 до 100 відсотків порівняно з попередньою версією, а швидкість виконання завдань збільшилася на 20–30 відсотків. ### Архітектура у два обчислювальні рівні Платформа DeepMind побудована за дворівневою схемою. Верхній шар — модель Gemini Embodied Reasoning — відповідає за візуальне сприйняття середовища та планування дій. Нижній шар, Gemini Robotics класу VLA (vision-language-action), перетворює ці плани на безпосередні фізичні рухи механізмів. Саме такий поділ, за задумом інженерів, дозволяє системі одночасно «розуміти» завдання і точно його виконувати, що критично для операцій, які потребують спритності рук. ### Від хімічної піпетки до банта на стрічці Під час тестування модель пройшла понад 200 різних процесів, включно з подачею їжі кулінарними щипцями та роботою з хімічною піпеткою — завданнями, де важлива дрібна моторика та контроль сили. Окремої уваги заслуговує демонстрація на гуманоїдному роботі Apollo 2 від Apptronik, оснащеному п'ятипалими кистями: машина самостійно зав'язала стрічку у бант, що стало наочним прикладом опанування складної багатокрокової маніпуляції. ### Погонитва за останніми чотирма відсотками Попри вражаючі цифри, для промислових гігантів показника у 96 відсотків поки недостатньо: людина на монотонних операціях практично не припускається помилок, і для повної заміни робітників потрібна майстерність вищого рівня. Представники DeepMind прямо визнають, що подолання останніх чотирьох відсотків дефектів стане найважчою частиною шляху. Автори проєкту описують і стратегічний вибір: можна створити ідеальне рішення під одне вузьке завдання або рухатися до універсальності, де домогтися безпомилковості на рівні 99,9 відсотка в усіх сценаріях вкрай складно. ### Симуляція як паливо для навчання Суттєвий поштовх розвитку платформи дала модель Gemini 4 Argon. Оскільки фізичних даних для навчання роботів у відкритому доступі обмаль, Argon допомогла створити симуляційний двигун: вона згенерувала тисячі варіацій тренувальних прогонів на основі реальних відеозаписів, сформувавши «цифрові копії» середовища та прискоривши адаптацію системи до нових завдань без необхідності збирати кожен сценарій наживо. ### Безпека та відкриті тести на стійкість Окремий блок робіт присвячений безпеці людей, які працюють поруч із механізмами. Завдяки алгоритмам аналізу перешкод у реальному часі робот зупиняється або переходить у режим очікування, якщо на його шляху з'являється перешкода. Крім того, DeepMind відкрила на платформі Hugging Face стандарт безпеки ASIMOV-Jailbreak, що містить 1500 «пасток», покликаних змусити робота виконати небезпечну дію, — це дозволяє розробникам по всьому світу тестувати стійкість власних фізичних моделей. Сама Gemini Robotics 2.5 працює через хмарні сервери та надається партнерським робототехнічним компаніям, серед яких Boston Dynamics, Agile Robots та Apptronik. ## Перевірка фактів і джерела - [Роботы осваивают человеческую моторику: Google показала, на что способен новый ИИ](https://www.rbc.ua/ukr/news/roboti-opanovuyut-lyudsku-motoriku-google-1794408422.html) - Першоджерело основи: опис архітектури Gemini Robotics 2.5, тести на 200+ процесах, партнерство з Apptronik та Mercedes-Benz (96% на заводах у Німеччині та Угорщині), модель Gemini 4 Argon, стандарт ASIMOV-Jailbreak та список партнерів. Цифри — дані розробника. ## Часті запитання ### Що таке Gemini Robotics 2.5? Це оновлена ШІ-модель Google DeepMind для керування роботами, що складається з двох рівнів: Gemini Embodied Reasoning (візуальне сприйняття та планування) і Gemini Robotics класу VLA, що генерує фізичні рухи механізмів. ### Які результати показала система на виробництві? На європейських заводах Mercedes-Benz у Німеччині та Угорщині роботи Apollo 2 виконували комплектування автозапчастин з успішністю 96 відсотків. У лабораторних тестах результативність зросла з 30 до 100 відсотків, а швидкість виконання завдань збільшилася на 20–30 відсотків. ### Чи достатньо 96 відсотків для заміни людей? За оцінкою DeepMind, поки ні: людина на монотонних операціях майже не помиляється, і подолання останніх чотирьох відсотків дефектів визнано найважчою частиною. Розробники також вказують на компроміс між вузьким ідеальним завданням та універсальністю на рівні 99,9 відсотка.