Gemini Robotics 2: a DeepMind desce dos braços para o corpo inteiro

Quase toda demonstração de robô com IA dos últimos dois anos aconteceu na mesma altura: em cima de uma mesa. Um braço, às vezes dois, pegando objetos numa bancada enquanto o resto da máquina — se existia — ficava parado. É uma restrição conveniente, porque um braço fixo não cai.

O Gemini Robotics 2, anunciado pela DeepMind na quinta-feira, é uma tentativa de sair da mesa. O modelo controla um humanoide inteiro, dos pés às pontas dos dedos, coordenando locomoção, equilíbrio e manipulação como um problema só. E o mais notável do anúncio não é o vídeo do robô agachando: é que a DeepMind publicou a faixa completa de resultados, inclusive os ruins.

Três modelos, não um

O lançamento é uma pilha, não um modelo. O Gemini Robotics 2 é o VLA — sigla para vision-language-action, modelo que converte imagem e instrução em texto diretamente em comandos motores. Ele opera humanoides completos e sistemas de dois braços, com mãos de cinco dedos de 22 graus de liberdade ou garras paralelas simples.

Acima dele fica o Gemini Robotics ER 2, de raciocínio incorporado: planeja tarefas de vários minutos, conversa com pessoas, corrige o próprio plano quando algo dá errado e coordena mais de um robô na mesma tarefa. É o modelo que decide o quê; o VLA decide como.

E há o Gemini Robotics On-Device 2, versão otimizada para rodar no hardware do próprio robô, sem nuvem. A afirmação mais interessante dessa variante é a de adaptação: segundo a DeepMind, ela se ajusta a um corpo robótico completamente novo com poucas horas de dados.

A faixa de 32% a 92% é o dado honesto

Vale insistir nesse número. Numa apresentação de produto, "92% de sucesso em destreza multidedo" caberia num slide. A DeepMind publicou a faixa inteira — e ela vai até 32%. As tarefas que ancoram o fundo são justamente as que qualquer pessoa faz sem pensar: fechar um zíper, rosquear uma lâmpada.

Isso não é um defeito do modelo; é o retrato correto do estado da arte. Manipulação de contato fino, em que o sucesso depende de forças de poucos newtons aplicadas em ângulos precisos com realimentação tátil, continua sendo o problema não resolvido da robótica. Um robô que acerta 76% das vezes ao pegar um objeto do chão e 32% das vezes ao fechar um zíper não é um robô com desempenho médio de 54%. São duas máquinas diferentes conforme a tarefa.

A própria DeepMind lista as limitações: manipulação multidedo continua difícil, e a velocidade de movimento ainda precisa avançar para implantação real complexa. Robôs de demonstração se movem devagar — em parte por segurança, em parte porque velocidade amplifica erro de controle.

O benchmark de segurança que ninguém pediu, mas fazia falta

Junto com os modelos, a DeepMind apresentou o ASIMOV-Agentic, um benchmark que mede algo diferente de acurácia: se um agente incorporado sabe recusar. Ele avalia se o modelo se nega a executar chamadas de ferramenta inseguras, se prevê corretamente que uma tarefa é impossível, e se pede intervenção humana quando está incerto.

É uma métrica mais relevante para robôs do que para software. Um chatbot que alucina produz um texto errado; um humanoide de 70 kg que alucina executa a alucinação no espaço físico compartilhado com pessoas. Medir a taxa de recusa apropriada é, nesse contexto, tão importante quanto medir taxa de sucesso — e é raro ver um laboratório publicar um benchmark que só pode fazê-lo parecer pior.

O que "adaptação com poucas horas" mudaria, se for verdade

A afirmação sobre o modelo on-device merece ceticismo calibrado, porque, se sustentada, é a mais consequente do anúncio. O gargalo econômico da robótica não é o modelo: é que cada corpo robótico novo exige recoletar dados de demonstração, num processo caro e lento que não se transfere entre plataformas.

Um modelo que se adapta a um corpo novo com poucas horas de dados transforma cada fabricante de robô em cliente potencial, em vez de exigir que cada um construa a própria pilha de IA. É a diferença entre vender um modelo e vender uma plataforma — e explica por que os três modelos foram lançados juntos.

Convém notar, porém, o que "adaptação" mede aqui. Ajustar um modelo a um novo corpo em tarefas parecidas com as do treino é bem mais fácil que generalizar para tarefas novas nesse corpo. A DeepMind não abriu os detalhes dessa distinção, e ela é onde mora a diferença entre uma demonstração e um produto.

O que fica

O Gemini Robotics 2 é, sobretudo, uma mudança de escopo: o problema deixou de ser "que trajetória o braço deve fazer" e passou a ser "como um corpo inteiro se organiza para conseguir alcançar aquilo". É uma pergunta muito mais difícil, e os números publicados refletem isso honestamente — inclusive na faixa que vai até 32%. A robótica com IA está saindo da mesa. Ainda não está saindo do laboratório.

Perguntas Frequentes

O que é um modelo VLA?

VLA é a sigla de vision-language-action: um modelo que recebe imagens da câmera do robô e uma instrução em linguagem natural e produz diretamente comandos de atuação — ângulos de junta, forças, velocidades. Substitui a cadeia tradicional de percepção → planejamento → controle por um modelo único treinado ponta a ponta.

O que são "22 graus de liberdade"?

É o número de eixos independentes que uma mão robótica pode mover. Uma mão humana tem cerca de 27; uma garra paralela simples tem 1. Mais graus de liberdade permitem manipulação mais fina, mas multiplicam o espaço de controle que o modelo precisa aprender — daí a diferença entre os 89,6% da garra e os 32% da mão de cinco dedos nas tarefas difíceis.

Por que rodar o modelo no próprio robô importa?

Latência e autonomia. Controle motor exige resposta em dezenas de milissegundos; uma ida à nuvem introduz atraso variável e falha quando a conexão cai. Um robô que depende de rede para não perder o equilíbrio não é implantável fora de ambiente controlado.

Posso usar o Gemini Robotics 2 hoje?

Parcialmente. O ER 2, de raciocínio, está no Google AI Studio e em preview privado pela plataforma de agentes corporativos. O VLA e a versão on-device estão restritos a parceiros de acesso antecipado, mediante formulário — não são modelos de pesos abertos.