Google DeepMind lance Gemini Robotics 2.5, avec une dextérité améliorée et des capacités industrielles
Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie
Google DeepMind a dévoilé Gemini Robotics 2.5, une nouvelle version de son modèle vision-langage-action (VLA), c'est-à-dire un modèle qui convertit directement perception visuelle et instructions en langage naturel en commandes motrices. Évalué sur plus de 200 tâches (manipulation d'objets fragiles, usage d'outils, matériaux souples, assemblage de précision), il affiche selon DeepMind des taux de réussite supérieurs de 30 à 100 % à ceux des versions précédentes, selon les tâches, et une exécution 20 à 30 % plus rapide. La démonstration la plus marquante a eu lieu avec le robot humanoïde Apollo 2 d'Apptronik, testé sur des lignes de production Mercedes-Benz à Kecskemét (Hongrie) et Sindelfingen (Allemagne). Il y réalisait du kitting automobile, soit le prélèvement de composants en bacs vrac pour les ranger dans des plateaux destinés à l'assemblage. Gemini Robotics 2.5 pilotait les bras et les mains, tandis que Gemini Robotics ER assurait la planification des tâches, pour un taux de réussite rapporté de 96 % lors de ce proof of concept. Côté sécurité, DeepMind annonce que de nouveaux contrôles fondés sur le raisonnement augmentent de 33 % la réussite sécurisée des tâches en présence d'obstacles et de 43 % lorsque des personnes se trouvent à proximité. Le laboratoire publie aussi ASIMOV-Jailbreak, un benchmark open source mesurant la résistance des IA robotiques à des instructions menant à des actions dangereuses : son modèle Gemini 4 Argon atteint 99,5 % de résistance contre 82 % pour la référence précédente. Le modèle est mis à disposition des partenaires robotiques de DeepMind.
Pour les intégrateurs et décideurs industriels, le point le plus intéressant n'est pas le chiffre de 96 %, mais l'affirmation d'Apptronik selon laquelle les performances ont progressé en quelques semaines de post-entraînement et se sont transférées vers les lignes Mercedes-Benz avec très peu de dégradation. Si cela se confirme, c'est un argument concret contre le fameux écart entre démonstration et réalité, et en faveur d'un modèle généraliste adaptable à un site plutôt que d'une programmation sur mesure par poste. L'usage de Gemini 4 Argon pour générer des scénarios simulés et des jumeaux numériques, qui réduirait selon DeepMind les données physiques nécessaires, va dans le même sens, celui d'un sim-to-real de plus en plus exploitable. Il faut cependant lire ces chiffres avec prudence : les résultats sont publiés par le fournisseur lui-même, la définition du succès, le nombre d'essais, les temps de cycle et le niveau d'intervention humaine ne sont pas précisés, et un proof of concept en kitting n'est ni un déploiement en production ni une preuve de rentabilité face à des opérateurs ou à des AMR existants. Le benchmark de sécurité, enfin, est conçu et évalué par l'entreprise qui l'a créé, et ne remplace pas une certification pour des robots évoluant près d'humains.
Ce lancement s'inscrit dans la course aux modèles de fondation pour la robotique, où DeepMind s'oppose notamment à Physical Intelligence (Pi-0), à NVIDIA (GR00T) et à Figure (Helix), qui intègrent plus verticalement modèle et matériel. La stratégie de Google est différente : fournir un « cerveau » multi-plateformes à des partenaires constructeurs, Apptronik étant le plus visible. Mercedes-Benz, de son côté, multiplie les essais d'humanoïdes en usine. Aucun calendrier de déploiement à grande échelle, volume ou prix n'a été communiqué : il s'agit donc d'une annonce de modèle accompagnée d'un pilote, et non d'un produit livré en série. Les prochains indicateurs à surveiller seront le passage du proof of concept à un pilote en production sur plusieurs postes, la publication de métriques indépendantes (taux d'interventions, cadence, disponibilité) et l'adoption du modèle par d'autres fabricants de robots, y compris européens.
Les essais de kitting sur les sites Mercedes-Benz de Sindelfingen (Allemagne) et Kecskemét (Hongrie) montrent une application directe à l'industrie automobile européenne, et le modèle pourrait être adopté par des fabricants de robots européens.




