92% de acerto para desrosquear uma lâmpada

Parece pouco, né? Até você lembrar que isso exige coordenar 22 graus de liberdade numa mão robótica, manter o equilíbrio do corpo inteiro, aplicar torque suficiente sem quebrar o bocal e parar na hora certa. Um humano faz isso no automático. Para um robô, é a fronteira da inteligência física.

O Google DeepMind acabou de apresentar o Gemini Robotics 2, e desta vez a coisa ficou séria. A versão anterior controlava braços robóticos em cima de mesas. Essa controla robôs humanoides dos pés aos dedos, literalmente. Anda, agacha, pega objetos do chão, abre portas, amarra sacos de lixo.

Eu acompanho robótica há anos e posso dizer: a maioria dos demos que a gente vê são smoke and mirrors. Robô pegando uma maçã em condições perfeitas de iluminação, sem obstáculos, com a mesa exatamente na altura certa. O Gemini Robotics 2 fez algo diferente. Ele mostrou benchmarks reais, com taxas de sucesso que variam de 32% a 92% dependendo da tarefa. Isso é honesto. E honestidade em demos de robótica é raro.

Três modelos, um sistema completo

O Gemini Robotics 2 não é um modelo único. São três modelos que trabalham juntos, cada um com uma responsabilidade diferente:

Gemini Robotics 2 VLA (Vision-Language-Action)

Esse é o coração do sistema. Ele recebe input visual (câmeras do robô), entende comandos em linguagem natural (“coloque o regador na lixeira verde da prateleira de baixo”) e traduz isso em ações motoras: movimentos de pernas, braços, mãos e dedos.

A grande novidade é o controle de corpo inteiro. A versão 1 do Gemini Robotics só controlava manipulação de mesa, basicamente um braço robótico pegando e movendo objetos. O VLA 2 controla humanoides completos: locomoção, equilíbrio, navegação e manipulação fina.

Na prática, quando você diz “coloque o regador na lixeira verde da prateleira de baixo”, o robô precisa:

1. Localizar o regador visualmente
2. Caminhar até ele
3. Pegar com força adequada (sem esmagar, sem deixar cair)
4. Navegar até a prateleira
5. Identificar qual é a lixeira verde
6. Agachar para alcançar a prateleira de baixo
7. Colocar o objeto dentro

Cada passo envolve coordenação de corpo inteiro. Não é um braço mecânico numa esteira. É um robô tomando decisões em tempo real sobre como usar cada parte do corpo.

Gemini Robotics ER 2 (Embodied Reasoning)

Se o VLA é o corpo, o ER é o cérebro estratégico. Ele faz o planejamento de alto nível: entende a tarefa, divide em etapas, decide a sequência de ações e adapta o plano quando algo sai errado.

A novidade no ER 2 é o suporte a colaboração multi-robô. Diferentes tipos de robôs podem se comunicar, dividir tarefas e trabalhar juntos num workflow complexo. Imagine um armazém onde um robô com rodas transporta caixas até um humanóide que desempacota e organiza os itens na prateleira.

O ER 2 também lida com incerteza de um jeito interessante: quando não sabe o que fazer, ele pede ajuda ao humano. Isso parece óbvio, mas a maioria dos sistemas robóticos ou trava ou faz besteira quando encontra uma situação inesperada.

Gemini Robotics On-Device 2

Esse é o modelo otimizado para rodar localmente no robô, sem depender de conexão com a nuvem. Zero latência de rede. Isso é crítico para tarefas que exigem reação rápida, como manter o equilíbrio ou desviar de obstáculos.

A feature matadora do On-Device 2 é a adaptação rápida: ele consegue se adaptar a um corpo robótico completamente novo com menos de 200 exemplos e poucas horas de dados. Você tem um robô com formato diferente, sensores diferentes, graus de liberdade diferentes? O On-Device 2 aprende a controlá-lo em horas, não em semanas.

Os benchmarks (de verdade, não cherry-picked)

O que me impressionou no paper do DeepMind foi a transparência nos números. Em vez de mostrar só os melhores resultados, eles publicaram taxas de sucesso para cada tipo de tarefa:

Manipulação de corpo inteiro (Apollo 2 com mãos Inspire)

Destreza com dedos (Apollo 2 com mãos SharpaWave)

Destreza com gripper (Franka Duo)

Olhando esses números friamente: desrosquear uma lâmpada com 92% de acerto é impressionante. Amarrar um saco de lixo com 44% é… realista. Qualquer pessoa que já tentou programar um robô para fazer tarefas com cordas ou materiais flexíveis sabe que é um pesadelo de física. O fato de funcionar quase metade das vezes é um avanço considerável.

E pegar objetos do chão com 45,7% mostra que o controle de corpo inteiro (agachar, manter equilíbrio, pegar e levantar) ainda precisa melhorar. Mas a linha de base existia em zero há poucos anos.

Os robôs que já funcionam

O Gemini Robotics 2 não é exclusivo de um hardware. Ele roda em múltiplas plataformas:

• Apptronik Apollo 2 (com mãos SharpaWave e Inspire): o principal humanóide usado nos testes
• Franka Duo: braço robótico duplo com gripper Robotiq
• Dexmate, SO101 e Trossen: plataformas menores para tarefas específicas

Essa generalização é o ponto-chave. Em vez de treinar um modelo para cada robô, o Gemini Robotics 2 usa uma técnica de “motion transfer” que permite adaptar o controle para corpos robóticos drasticamente diferentes, com formas, sensores e graus de liberdade distintos.

Na prática: você pode trocar o hardware robótico e reaproveitar o modelo de IA. O On-Device 2 precisa de algumas horas de dados para se adaptar ao novo corpo. Isso reduz absurdamente o custo de deployment.

Por que isso importa para devs (e não só para engenheiros de robótica)

Se você trabalha com software e acha que robótica é assunto para outro departamento, pense de novo.

O Gemini Robotics ER 2 já está disponível em preview no Google AI Studio e na Gemini Enterprise Agent Platform. Isso significa que você pode construir aplicações que controlam robôs usando a mesma API que já usa para texto e imagens.

A arquitetura é familiar: você manda um prompt em linguagem natural, o modelo retorna ações. A diferença é que as ações não são texto, são comandos motores. Mas a interface é a mesma.

Imagine cenários como:

• Um agente de atendimento que, além de responder perguntas, pode fisicamente ir buscar um produto no estoque
• Um sistema de logística onde a IA decide a melhor rota E controla os robôs que fazem o picking
• Automação residencial onde, em vez de apenas acender luzes, o robô limpa a mesa

A barreira entre “IA de software” e “IA de hardware” está ficando cada vez mais fina.

O framework de segurança: ASIMOV-Agentic

O DeepMind introduziu um benchmark de segurança chamado ASIMOV-Agentic (sim, o nome é uma referência às leis da robótica do Asimov). Ele mede três coisas:

1. Recusa de ações inseguras: o robô se recusa a executar tool calls perigosos?
2. Detecção de proximidade humana: o robô detecta quando um humano está perto e ajusta o comportamento?
3. Pedido proativo de ajuda: quando incerto, o robô para e pede intervenção humana?

O Gemini Robotics ER 2 é descrito como o “modelo de robótica mais seguro até agora” pelo DeepMind em termos de seguir restrições de segurança. Claro, “mais seguro até agora” é uma barra baixa quando a maioria dos competidores mal tem um framework de segurança, mas é um começo.

O interessante é que o ASIMOV-Agentic é um benchmark público. Qualquer empresa de robótica pode usar para medir a segurança dos seus modelos. Isso pode se tornar um padrão da indústria.

A competição: Tesla Optimus, Figure e os chineses

O Gemini Robotics 2 não existe no vácuo. O mercado de robôs humanoides com IA está esquentando:

A vantagem do Google é que ele não precisa fabricar o robô. O Gemini Robotics 2 é o cérebro. Ele funciona em qualquer corpo. A Apptronik fabrica o Apollo, a Franka fabrica os braços, e o Google fornece a inteligência. É o modelo “Android dos robôs”: o Google faz o software, os parceiros fazem o hardware.

A Tesla faz tudo internamente (hardware + software), o que dá mais controle mas limita a escala. A Figure tem parceria forte com a OpenAI. Os chineses estão liderando em custo: o Unitree H2 custa uma fração do que um Apollo custa.

O elefante na sala: 45,7% é suficiente?

Vamos ser honestos. Pegar um objeto do chão com 45,7% de sucesso não é confiável o bastante para uso doméstico. Se eu pedir pro robô pegar meu celular do chão e ele falhar mais da metade das vezes, eu vou preferir pegar eu mesmo.

Mas robótica sempre foi assim. O primeiro carro autônomo do Google errava muito mais que os motoristas humanos. O primeiro braço industrial da FANUC era menos preciso que um operário treinado. A tecnologia melhora exponencialmente. O que hoje tem 45% de acerto pode ter 85% em 18 meses.

E existem nichos onde 45% já é útil: armazéns onde o robô trabalha 24/7 (mesmo errando metade das vezes, ele processa mais volume que um turno humano), ambientes perigosos onde nenhum humano deveria estar, e tarefas repetitivas onde o custo de falha é baixo.

A técnica de motion transfer que muda tudo

Um detalhe técnico que merece atenção: o Gemini Robotics 2 usa uma abordagem chamada “motion transfer” para generalizar o controle entre robôs diferentes. Em vez de treinar um modelo do zero para cada plataforma, o sistema aprende princípios gerais de movimento e os adapta para corpos diferentes.

Isso funciona mesmo entre robôs com formas drasticamente diferentes. Um modelo treinado no Apollo 2 (humanóide bípede com mãos de 22 graus de liberdade) pode ser transferido para um Franka Duo (dois braços industriais com grippers simples) com poucas horas de fine-tuning.

O impacto econômico é enorme. Treinar um modelo de controle robótico do zero custa centenas de milhares de dólares em compute e meses de coleta de dados. Com motion transfer, o custo cai para algumas horas de dados e um fine-tuning rápido. Isso torna viável colocar IA em robôs que antes não justificavam o investimento.

Para startups de robótica, essa é provavelmente a notícia mais importante do anúncio. Você não precisa mais ter um time de ML de 50 pessoas para criar um robô inteligente. O Google fornece o modelo base, você adapta para o seu hardware.

Como testar (se você quiser por a mão na massa)

O Gemini Robotics ER 2 está disponível em preview público no Google AI Studio. Você não precisa de um robô físico para testar a parte de reasoning:

import google.generativeai as genai

genai.configure(api_key="SUA_API_KEY")

model = genai.GenerativeModel("gemini-robotics-er-2")

response = model.generate_content(
    "Planeje as etapas para um robô organizar uma mesa de escritório. "
    "A mesa tem: 3 canetas, 1 laptop, 2 livros, 1 xícara vazia e papéis espalhados."
)

print(response.text)

Para o VLA (controle motor real), você precisa de acesso ao Trusted Tester Program e hardware compatível.

O que vem pela frente

O Gemini Robotics 2 é um passo, não o destino. O DeepMind está claramente apostando na convergência entre modelos de linguagem e controle robótico. A mesma IA que entende texto, gera código e analisa imagens agora também move braços, pernas e dedos.

Se a tendência continuar, em 2 a 3 anos vamos ter robôs humanoides com a destreza de um humano médio nas tarefas mais comuns. Não vai ser perfeito. Vai ter bugs. Vai derrubar coisas. Mas vai funcionar o suficiente para mudar indústrias inteiras.

A pergunta que fica é: quando o robô do armazém cometer um erro, quem debugga? O engenheiro de robótica, o dev que configurou o prompt, ou a IA que decidiu amarrar o saco de lixo com 44% de confiança?

Fonte de inspiração: Google DeepMind: Gemini Robotics 2 brings whole body intelligence to robots