L’essentiel
- Google DeepMind a lancé le 30 juillet Gemini Robotics 2, une famille de trois modèles capables de piloter un humanoïde entier, des pieds aux doigts.
- L’architecture sépare le raisonnement (Gemini Robotics ER 2) de l’exécution motrice, la première couche commandant la seconde comme un outil.
- ER 2 est ouvert aux développeurs via l’API Gemini et Google AI Studio ; les modèles de contrôle moteur restent réservés à des partenaires sélectionnés.
- La version embarquée s’adapte à une morphologie de robot entièrement nouvelle avec quelques heures de données.
Vous demandez à un robot de poser l’arrosoir dans le bac vert, sur l’étagère du bas. Qui décide qu’il faut marcher jusqu’à la table, fléchir les genoux, puis refermer les doigts au bon endroit ? Depuis le 30 juillet, Google DeepMind répond avec deux étages distincts plutôt qu’avec un modèle unique. Cette séparation pèsera plus lourd que les démonstrations de dextérité qui l’accompagnent.
Un cortex et une moelle épinière
Gemini Robotics 2 regroupe trois modèles. Gemini Robotics ER 2 assure le raisonnement incarné : ce modèle vision-langage discute avec l’humain, comprend la scène et découpe une consigne en une séquence d’actions qui peut durer plusieurs minutes. Le modèle vision-langage-action (VLA), lui, convertit ce que voit le robot et ce qu’on lui dit en commandes motrices : marcher, s’accroupir, piloter une main à cinq doigts. Une troisième variante, Gemini Robotics On-Device 2, fait tourner cette conversion en local, sur la machine elle-même.
L’analogie du système nerveux tient plutôt bien. ER 2 joue le cortex qui planifie, le VLA joue la moelle épinière et le geste. Google DeepMind assume cette division du travail : sa couche de raisonnement délègue l’exécution motrice à n’importe quel modèle de bas niveau. Le développeur déclare les interfaces de contrôle et les API de navigation comme des outils, et le cerveau les appelle, exactement comme il appellerait Google Search ou une fonction maison.
Penser pendant qu’on bouge
Ce découpage en deux étages répond à une contrainte très concrète : le monde physique n’attend pas. Un robot qui se fige pour réfléchir entre chaque geste devient inexploitable dans une cuisine ou un atelier. ER 2 s’appuie donc sur la Gemini Live API et son point d’entrée en streaming bidirectionnel, pensé pour réduire le délai de réponse. Le modèle suit un flux vidéo continu, vérifie où il en est, rattrape un geste raté et déclenche l’étape suivante au bon moment, sans la pause de réflexion qui trahissait les générations précédentes.
Google compare ER 2 à ER 1.6 sur l’orchestration d’outils dans trois configurations : un modèle d’action réel, un modèle simulé, et un humain en téléopération, c’est-à-dire aux commandes à distance. Le troisième cas est le plus parlant. La couche de raisonnement est indifférente à la nature de l’exécutant : un VLA, une simulation ou une paire de mains humaines occupent la même case dans son plan. Le corps est devenu un paramètre.
Le matériel, variable d’ajustement
Les démonstrations enfoncent le clou. Apollo 2, l’humanoïde d’Apptronik, reçoit une consigne unique et enchaîne la marche, la flexion et la préhension. La même couche logicielle fait un nœud, visse une pièce, puis fait coopérer Apollo avec un second robot, Duo, pour ranger un garage : le modèle de raisonnement découpe la tâche, désigne les zones et choisit l’instant du passage de relais. Chez Boston Dynamics, c’est Spot qui exécute, avec ses API de navigation et de manipulation déclarées comme outils.
Quand un constructeur arrive avec une morphologie inédite, la version embarquée s’y adapte en quelques heures de données. Le coût d’intégration d’un nouveau châssis s’effondre, pendant que la valeur se concentre dans la couche qui, elle, ne change jamais.
Le cerveau ouvert, les muscles fermés
Le partage des accès confirme la hiérarchie. ER 2, le cerveau, est ouvert aux développeurs via l’API Gemini et Google AI Studio, en préversion privée sur Gemini Enterprise Agent Platform, avec des exemples publiés sur GitHub. Les modèles de contrôle moteur, eux, restent entre les mains de partenaires triés sur le volet. Chez les concurrents, la frontière passe ailleurs : NVIDIA publie les poids de son modèle pour humanoïdes GR00T N1.7 sous licence commerciale ouverte, téléchargeables sur Hugging Face, tandis que Figure a rompu avec OpenAI début 2025 pour développer en interne son propre modèle vision-langage-action, Helix.
La conséquence est immédiate pour un fabricant de robots : il peut prototyper la partie qui planifie et qui parle, mais l’étage qui commande les muscles ne lui appartient pas, et le cerveau tourne chez Google. Un humanoïde privé de cette couche redevient une mécanique téléopérée. La question de la souveraineté logicielle, que les industriels ont appris à poser pour leur cloud, se rejoue ici sur des machines qui marchent dans leurs entrepôts.
Les taux de réussite manquent à l’appel
Les séquences diffusées sont choisies avec soin. Aucun taux de réussite n’accompagne les tâches montrées, et rien ne dit combien de tentatives précèdent la bonne prise de l’arrosoir. Les comparaisons chiffrées publiées portent sur l’orchestration d’outils face à la version précédente, pas sur la fiabilité d’un humanoïde qui se déplace parmi des objets fragiles et des humains.
Ces réserves ne changent rien à ce que l’annonce installe. La robotique se structure comme le reste de l’informatique : un système d’exploitation d’un côté, du matériel de l’autre. Les fabricants d’humanoïdes viennent d’apprendre de quel côté de cette frontière on les attend.
Mon avis
La bataille des humanoïdes ne se gagnera pas sur les articulations, et ceux qui ne fabriquent que du matériel l’ont déjà perdue. Un constructeur qui branche Gemini Robotics 2 gagne deux ans de développement et perd son produit : il assemble le terminal d’une intelligence mise à jour ailleurs, par quelqu’un d’autre. Je surveille Apptronik de près, car c’est l’acteur qui a la plus forte incitation à bâtir sa propre couche de raisonnement et le moins de moyens de le faire. Et je ne crois pas une seconde que le contrôle moteur reste fermé longtemps : il s’ouvrira le jour où Google aura besoin de verrouiller le marché plutôt que de le trier.
