Gemini Robotics 2 : Google fait bouger le robot entier, et publie ses taux de réussite

Le 30 juillet 2026, Google DeepMind a publié un billet signé Carolina Parada pour présenter Gemini Robotics 2, sa nouvelle famille de modèles pour la robotique. L'argument est résumé dans le titre de l'annonce : l'« intelligence du corps entier ». Là où la génération précédente ne pilotait que le haut du corps d'un humanoïde pour des tâches de plan de travail, le nouveau modèle contrôle la machine complète, des pieds au bout des doigts, et peut faire travailler plusieurs robots ensemble.

L'annonce est spectaculaire en vidéo. Elle est aussi, et c'est plus rare, accompagnée de graphiques de résultats chiffrés. Ce sont ces chiffres qui rendent l'exercice intéressant, parce qu'ils disent noir sur blanc ce qui sépare encore une démonstration DeepMind d'un robot utile dans un atelier ou une cuisine.

Trois modèles, et un seul est vraiment disponible

C'est le point que les reprises de presse escamotent le plus souvent. Gemini Robotics 2 n'est pas un produit, c'est une pile à trois étages, et ces trois étages n'ont pas du tout le même statut commercial.

Autrement dit : un développeur peut, dès aujourd'hui, brancher le raisonnement de Gemini sur ses propres caméras et sa propre API robot. Il ne peut pas récupérer le modèle qui fait bouger l'Apollo 2 de la vidéo. Google l'assume, et le message publié le jour même côté Google AI Studio le dit sans détour.

Ce que les chiffres de Google disent vraiment

Le billet de DeepMind publie trois graphiques de taux de réussite, obtenus avec un seul et même point de contrôle du modèle sur trois corps de robot différents. Voici ce qu'ils contiennent, tel que Google les annonce.

La lecture est nette. Avec une pince à deux doigts, on est dans les eaux d'un équipement industriel utilisable. Avec une main à cinq doigts, on est encore dans la recherche : un robot qui réussit une opération de balayage une fois sur trois n'est pas un robot qu'on laisse faire le ménage. Google ne s'en cache d'ailleurs pas, et l'écrit dans la légende de son propre graphique.

Le contraste entre le 92 % du dévissage d'ampoule et le 36 % du vissage dit tout de la nature du problème : une même paire de mains, un même objet, et un écart de 56 points selon le sens du geste. La difficulté n'est pas de comprendre la consigne, elle est d'exécuter un mouvement fin sous contrainte physique.

Le vrai progrès est ailleurs : le robot sait où il en est

Le saut le plus concret de cette génération concerne ER 2, et il porte sur le temps. Le modèle traite désormais des flux vidéo continus venus des caméras du robot, au lieu d'images fixes. Il peut donc suivre l'avancement d'une tâche pendant qu'elle se déroule, repérer un échec en cours de route et reprendre l'étape ratée plutôt que de tout relancer depuis le début.

Google mesure cette capacité sur deux épreuves maison. La première, la classification d'avancement, consiste à ranger chaque image de la vidéo dans l'une des cinq tranches d'achèvement (0 à 20 %, 20 à 40 % et ainsi de suite). La seconde, le repérage d'instant, consiste à trouver l'image exacte où survient l'événement critique, par exemple le moment où il faut arrêter de verser le café.

Ce 57,4 % mérite qu'on s'y arrête, car plusieurs reprises l'ont arrondi à « près de 60 % ». Sur une échelle à cinq tranches, le hasard donnerait 20 %. Le modèle fait donc bien mieux que le hasard, et mieux que la génération précédente selon Google, mais il se trompe encore de tranche dans plus de quatre cas sur dix. C'est suffisant pour déclencher une reprise d'étape, ce n'est pas suffisant pour piloter une chaîne de production sans surveillance.

Côté matériel, ER 2 s'intègre à la Gemini Live API, avec un point de terminaison en flux bidirectionnel pensé pour la latence. C'est ce qui permet à Google d'orchestrer les API du Spot de Boston Dynamics dans une démonstration où le robot va chercher un paquet de pop-corn, avec le code publié sur GitHub. La collaboration multi-robots, elle, est illustrée par l'Apollo 2 d'Apptronik et le Franka F3 Duo qui se répartissent une tâche sans se gêner.

Sécurité : un nouveau benchmark, publié mais sous conditions

C'est le volet le mieux construit de l'annonce. Google introduit ASIMOV-Agentic, un banc d'essai dédié à l'orchestration sûre et à la gestion de l'incertitude. Il évalue notamment trois choses : la capacité de l'agent de raisonnement à refuser un appel d'outil dangereux venu du modèle d'action, sa capacité à juger si une tâche est physiquement réalisable, et sa capacité à demander l'aide d'un humain quand il n'est pas sûr.

DeepMind présente ER 2 comme son modèle de robotique le plus sûr à ce jour sur ses épreuves de respect des consignes de sécurité et de proximité humaine : le modèle arrête l'humanoïde quand une personne s'approche trop, et ne reprend le travail qu'une fois la zone dégagée. Un rapport technique dédié à la sécurité accompagne le tout.

Pour un lecteur français, la comparaison la plus parlante reste Robostral Navigate, le modèle de navigation robotique de Mistral publié le 7 juillet. Les deux approches ne visent pas la même couche : Mistral fait avancer un robot vers un lieu à partir d'une seule caméra, Google fait manipuler des objets à un humanoïde complet. Le point commun est le même verrou, la fiabilité du geste, que ni l'un ni l'autre ne prétend avoir levé.