Googles robotica model ziet elk robot lichaam als dezelfde opgave

Google heeft deze week Gemini Robotics 2 uitgerold. Eén model. Humanoids, tabletop armen, mobiele platforms, wat je ook samen in een lab hebt geknutseld. Het systeem heeft geen aparte trainingsrun nodig voor elk lichaamstype. Het herkent de morfologie uit context en handelt daarnaar.

Dat is een fundamenteel ander idee dan hoe robotica-AI tot nu toe werkte. De meeste geavanceerde robotsystemen zijn lichaamsspecifiek. Je traint op één platform, je deployeert op één platform. Generalisatie over hardware was jarenlang het hardnekkig onopgeloste probleem van het veld. Google zegt dat ze daar een werkend antwoord op hebben gevonden.

Waarom dit meer oplevert dan op het eerste gezicht lijkt

Het saai geframed zou zijn. Google maakte een beter robothersenmodel. Dat mist de kern.

Het interessante frame is architecturaal. Google behandelt robotbesturing als een taalprobleem. Gemini Robotics 2 is een multimodal model. Het neemt visie, taalinstructies en sensordata als input en produceert motorcommando's als output. Net zoals een groot taalmodel niet fundamenteel uitmaakt of je een vraag typt in Python-syntaxis of gewoon Engels, maakt het voor dit model niet uit of de actuator vijf vingers of twee gewrichten heeft.

Dat is belangrijk voor iedereen die aan fysieke AI-producten werkt, omdat het de economie van het probleem verandert. Als je één model over je hele hardware-arsenaal kunt gebruiken, sla je de hertrainingsbedeling over telkens je hardwareleverancier een onderdeel bijwerkt. Je schrijft een prompt, niet een nieuwe pipeline.

Wat het model werkelijk doet

Gemini Robotics 2 beheerst fijne manipulatietaken. Pakken, plaatsen, kleine onderdelen assembleren, werken in ongestructureerde omgevingen. Het werkt op humanoidrobot-lichamen en ook op kleinere tafeltoputstellen, wat de twee dominante formfactoren in huidige commerciële deployments bestrijkt.

Het model gebruikt Google's Gemini-basis als grondslag, wat betekent dat het erfde reasoning en ruimtelijk begrip van een frontier multimodal model. Het is geen gespecialiseerd robotica-model dat vanaf nul is getraind. Het is een algemeen model gestuurd richting fysieke actie.

De praktische implicatie is dat wanneer Google Gemini voor taal- of visiontaken verbetert, de robotica-capabiliteit gratis meegroeit. De intelligentie van het model en zijn motorische vaardigheden zitten op dezelfde verbeteringscurve.

Het voorbehoud

Eén model dat elk lichaamstype bestuurt klinkt netjes. Dat is het nog niet.

Fysica generaliseert niet zoals taal dat doet. De koppelbeperkingen op een humanoidarm, de wrijvingscoëfficiënten van een specifieke grijper, de latencietoleranties van een real-time besturingslus: dit zijn harde beperkingen die drastisch verschillen tussen platforms. Een model dat goed genoeg is voor alles is bijna per definitie niet geoptimaliseerd voor één ervan. In kritische industriële settings is goed genoeg niet altijd een veilige deploymentstrategie.

Er is ook een datavraag. Om een lichaamsagnostisch model te trainen heb je een enorm en divers dataset robotgedrag over hardwaretypen nodig. Google heeft DeepMind en een netwerk van hardwarepartners om op te putten. De meeste organisaties die aan fysieke AI-producten werken hebben dat niet. Gemini Robotics 2 is indrukwekkend omdat Google zich de datavluchtlijn kan veroorloven om het werkend te maken. Die vluchtwiel is niet voor iedereen beschikbaar.

Eerlijk gezegd. dit is een platform dat de gemakkelijke gevallen veel gemakkelijker maakt. De grensgevallen zijn nog steeds hard, en dat zijn meestal de gevallen waar je productieomgeving vol mee zit.

Wat dit betekent voor teams die nu met AI werken

Als je aan een fysiek product of roboticsworkflow werkt, is het signaal hier niet "schakel direct over op Gemini Robotics 2." Het signaal is dat de abstractielaag verschuift.

Jaren lang was de praktische beperking dat AI en hardware strak gekoppeld waren. Elk nieuw robotlichaam vereiste een nieuwe AI-inspanning. Die koppeling wordt losser. Op korte termijn zullen foundation models voor fysieke AI zich meer als API's gedragen: je beschrijft wat je de robot wilt laten doen, het model regelt de omzetting naar motorcommando's, en je team focust op taakdefinitie in plaats van de besturingstack.

Voor productteams betekent dit dat het designwerk stroomopwaarts beweegt. Minder tijd aan specificeren hoe een robot beweegt. Meer tijd aan specificeren wat het moet begrijpen van zijn omgeving en wat een succesvol resultaat is. Dat is een UX-vraag, geen engineeringvraag. Teams die het als zodanig aanpakken hebben een echt voordeel op teams die nog steeds besturingscode met de hand schrijven.

De langere lijn

Google is niet de enige organisatie aan robotbesturing zonder lichaamsbinding. Figure, Physical Intelligence en diverse universiteitslab's gaan vergelijkbare ideeën vanuit verschillende hoeken na. Het veld convergeert op dezelfde these: dat fysieke AI als software moet werken, waar het model algemeen is en de deployment specifiek.

De vraag die openstaat is wie de modellaag controleert. In cloudsoftware bezit wie de foundation model bezit, veel hefboom over iedereen die daarbovenop bouwt. Dezelfde dynamiek stelt zich op in fysieke AI. Gemini Robotics 2 is Google's gok om die laag voor de robotica-industrie te zijn.

Voor de founders en productteams die dit lezen. let goed op het toegangsmodel. Een capabel model dat je niet controleert is een infrastructuurafhankelijkheid, geen capabiliteit. Hoe je rondom die afhankelijkheid ontwerpt en hoeveel van je productlogica je erbuiten houdt zal op termijn veel meer uitmaken dan welk model je vandaag kiest.