Gemini Robotics 2.5 rapproche les robots des tâches industrielles réelles

Google DeepMind a dévoilé Gemini Robotics 2.5, une nouvelle génération de son système d’IA pour robots, avec des tests en environnement industriel chez Mercedes-Benz. Le modèle, encore réservé à des partenaires, promet des gains de précision et de vitesse sur plus de 200 tâches, tout en visant un usage plus sûr hors du laboratoire. Dans les faits, l’enjeu est simple : faire exécuter à une machine des gestes complexes sans transformer l’atelier en scène de slapstick.

Un modèle pensé pour voir, comprendre et agir

Gemini Robotics 2.5 repose sur deux briques complémentaires. La première, Gemini Embodied Reasoning, analyse les instructions et la vidéo en direct pour planifier l’action. La seconde, Gemini Robotics, traduit cette compréhension en mouvements concrets, comme saisir un objet, déplacer un bras ou ajuster une prise.

Google DeepMind présente ce système comme une plateforme de vision-langage-action, ou VLA. Cette catégorie de modèles ne se contente pas de décrire ce qu’elle voit : elle transforme l’information visuelle et textuelle en commandes robotiques. C’est ce qui permet à un humanoïde de tenter un geste délicat, comme nouer un ruban ou manipuler une pipette.

Des gains mesurés, mais encore loin du sans-faute

Selon Google DeepMind, Gemini Robotics 2.5 obtient un taux de réussite supérieur de 30 à 100 % à ses propres versions précédentes, selon les tâches, avec une exécution 20 à 30 % plus rapide. Ces résultats viennent de tests en laboratoire menés sur plus de 200 activités, notamment le service à l’aide de pinces et des manipulations de type laboratoire.

Le test le plus concret concerne cependant l’industrie automobile. Avec Apptronik et Mercedes-Benz, Google DeepMind a déployé le robot humanoïde Apollo 2 sur des lignes actives en Hongrie et en Allemagne, à Kecskemét et Sindelfingen. L’robot a réalisé une tâche de kitting, c’est-à-dire le tri de pièces métalliques en vrac puis leur placement dans des bacs, avec un taux de réussite annoncé de 96 %. C’est solide. Pas encore suffisant pour remplacer totalement un opérateur humain sur ce type de poste.

Pourquoi les robots ont encore besoin d’apprendre du faux

Pour entraîner Gemini Robotics 2.5, DeepMind a utilisé Gemini 4 Argon comme moteur de simulation. Ce modèle génère des milliers de variantes de scénarios à partir d’images réelles, créant des “jumeaux numériques” destinés à accélérer l’apprentissage et la généralisation à de nouveaux objets ou environnements.

Le procédé complète les démonstrations physiques classiques. Autrement dit, le robot apprend à partir de données réelles, mais aussi de situations simulées, ce qui compense le manque de “données physiques” disponibles pour la robotique par rapport au texte ou à l’image. Argon sert aussi à analyser les échecs et à proposer des pistes d’amélioration, sans fonctionnement en temps réel.

Reste une limite importante : Gemini Robotics 2.5 tourne encore sur des serveurs cloud. Les gains de qualité s’accompagnent donc d’une latence, ce qui compte dès qu’un robot doit réagir vite dans un espace partagé avec des humains. Le modèle ne peut pas se permettre de réfléchir trop longtemps avant de bouger.

La sécurité devient une ligne de produit, pas une note de bas de page

DeepMind dit avoir intégré un raisonnement au moment de l’inférence pour éviter les dangers immédiats. Si un obstacle apparaît, le robot peut s’arrêter ou attendre avant de reprendre. Dans ses évaluations, cette approche améliore la réussite des tâches de 33 % en présence d’obstacles et de 43 % quand des personnes se trouvent sur la trajectoire.

La société publie aussi ASIMOV-Jailbreak, un benchmark open source disponible sur Hugging Face. Ce jeu de données contient 1 500 prompts conçus pour pousser un robot à adopter un comportement dangereux, par exemple fermer un contenant avec un mécanisme trop fin pour lui. L’objectif est de mesurer la résistance des modèles à ces tentatives de contournement.

Selon Google DeepMind, l’ajout d’Argon dans la boucle porte le niveau de sécurité contre ces jailbreaks à 98,8 %, contre 73,5 % avec Gemini Robotics ER 2 seul. Une autre mesure publiée par la filiale de Google fait état d’un score de 99,5 % pour Gemini 4 Argon, contre 82 % pour son prédécesseur [à vérifier], les chiffres variant selon les sources. Pour l’industrie, la question n’est plus seulement de savoir si le robot sait faire. Il faut aussi vérifier ce qu’il refuse de faire.