Gemini Robotics, erklärt: Embodied Reasoning in einem VLA

Bittet man einen Gemini-Robotics-Arm, einen unübersichtlichen Tisch in die richtigen Behälter einzuräumen, geschieht etwas Ungewöhnliches, bevor er sich bewegt. Das Modell schreibt zunächst einen kurzen Plan in einfacher Sprache: Die Banane ist Obst, also kommt sie in den Kompost; der zerknüllte Kassenbon ist Papier, also kommt er ins Altpapier; das Telefon ist keines von beidem, also lässt man es liegen. Erst dann setzen sich die Greifer in Bewegung. Diese lesbare Pause, ein Roboter, der laut denkt, bevor er irgendetwas berührt, ist das deutlichste Zeichen dafür, worauf Google DeepMind seit einer Weile hinarbeitet.

Die überraschende Designentscheidung ist, dass Gemini Robotics kein einzelnes Modell ist. DeepMind liefert ein Paar: ein Vision-Language-Action-Modell, das Motorbefehle ausgibt, und ein separates Reasoning-Modell, Gemini Robotics-ER, wobei ER für embodied reasoning (verkörpertes Schlussfolgern) steht. Diese Aufteilung ist das ganze Argument. Das Schwierige an einer allgemeinen Roboter-Policy ist nicht, Gelenkwinkel zu erzeugen, sondern zu wissen, wo die Tasse steht, welche Kante zu greifen ist, was passiert, wenn man den Stapel anstößt, und in welcher Reihenfolge vorzugehen ist. DeepMinds Wette ist, dass dieses Weltverständnis es wert ist, in eine eigene Komponente ausgelagert zu werden, die man einmal vortrainiert und dann wiederverwendet.

Dieser Beitrag geht dieser Aufteilung im Detail nach: was Embodied Reasoning einem einfachen multimodalen Modell hinzufügt, wie die Reasoning-Hälfte und die Handlungs-Hälfte miteinander kommunizieren, und wo dieser Ansatz sich auszahlt und wo er an seine Grenzen stößt. Er richtet sich an Leser, die bereits wissen, was ein VLA ist, und die Architektur sehen wollen, nicht das Launch-Video.

Zwei Modelle, ein Roboter

Gemini Robotics begann als Aktionserweiterung von Gemini 2.0. Die Basis ist ein großes multimodales Modell, das bereits Bilder und Text liest; DeepMind fügte physische Aktion als Ausgabemodalität hinzu, sodass dasselbe Netzwerk, das eine Szene beschreiben kann, auch vorschlagen kann, wie man sich durch sie hindurchbewegt. Das ist der VLA. Für sich genommen stützt er sich stark auf reale teleoperierte Demonstrationen, mit der bimanualen ALOHA-2-Plattform als dem primären Körper, an dem er gelernt hat.

Gemini Robotics-ER ist die andere Hälfte, ein Vision-Language-Modell, das so lange feinjustiert wurde, bis sein Bild von der Welt scharf genug ist, um einen Roboter zu steuern: 2D- und 3D-Objekterkennung, das Zeigen auf ein benanntes Teil mit einer Pixelkoordinate, das Vorhersagen eines Griffs, das Skizzieren einer Trajektorie und das Zuordnen desselben Objekts über mehrere Kameraperspektiven hinweg. Das sind keine abstrakten Talente. Jedes davon entspricht einer Frage, die ein Controller beantworten muss, bevor er handeln kann. Ein einfaches Chat-Modell kann Ihnen sagen, dass eine Tasse einen Henkel hat; ER kann Ihnen sagen, welche Pixel der Henkel einnimmt und wo ein Greifer sich schließen soll.

Was Embodied Reasoning leistet

Der Grund, warum DeepMind Gemini 2.0 nicht einfach auf einen Greifer angesetzt hat, liegt darin, dass sprachliches Pretraining einem Modell beibringt, über die Welt zu sprechen, nicht aber, Dinge darin mit der Präzision zu lokalisieren, die ein Motor braucht. Embodied Reasoning ist die Schicht, die diese Lücke schließt. Sie ist räumlich (wo, wie weit, welche Ausrichtung), physikalisch (was starr ist, was umkippen wird, was hinter was liegt) und zeitlich (was vor was anderem geschehen muss).

Weil diese Schicht ein Modell ist und kein manuell abgestimmter Wahrnehmungsstack, erbt sie die Allgemeingültigkeit des Basismodells. Sie können es nach Objekten und Anordnungen fragen, die es in keinem Robotik-Datensatz je gesehen hat, und es wird oft weiterhin zeigen, weiterhin schätzen und die Schritte weiterhin ordnen, weil das zugrunde liegende Gemini das Konzept irgendwo schon einmal angetroffen hat. Das ist der Lohn dafür, Reasoning auf einem Foundation Model aufzubauen, statt einen Detektor an eine Policy zu schrauben: Der Long Tail ungewöhnlicher Objekte und ungewöhnlicher Anweisungen wird durch Transfer bewältigt, nicht durch mehr Annotationen.

Die Wette lautet: Embodied Reasoning ist eine Fähigkeit, die man einmal vortrainiert und über Roboter hinweg wiederverwendet, keine Fertigkeit, die man sich Maschine für Maschine und Küche für Küche mühsam erarbeitet.

Erst denken, dann handeln

Die Generation 1.5 machte diese Aufteilung explizit. Gemini Robotics 1.5 erzeugt eine interne Kette aus natürlichsprachlichem Reasoning, bevor es sich auf eine Aktion festlegt, jenes sichtbare Denken, mit dem dieser Artikel beginnt. Sein Partner, Gemini Robotics-ER 1.5, wird zum Orchestrator befördert: Er nimmt ein übergeordnetes Ziel entgegen, zerlegt es in Schritte, kann digitale Werkzeuge wie die Websuche aufrufen, um eine Wissenslücke zu schließen, und übergibt jede konkrete Teilaufgabe zur Ausführung an das Aktionsmodell. Ein Modell plant und schlussfolgert; das andere bewegt sich.

Zwei Konsequenzen sind wichtig. Erstens ist das Reasoning lesbar, was es leichter macht, Fehler zu diagnostizieren: Sie können den Plan lesen und erkennen, ob der Fehler im Denken oder in den Händen steckte. Zweitens können Fähigkeiten, die an einem Körper gelernt wurden, auf einen anderen übertragen werden. DeepMind beschreibt, wie Kompetenz zwischen Embodiments übertragen wird, von der bimanualen ALOHA-2-Vorrichtung über zweiarmige Franka-Arme bis zum humanoiden Apptronik Apollo, ohne jedes davon von Grund auf neu zu trainieren. Cross-Embodiment ist dasselbe Problem, das Open X-Embodiment für das gesamte Feld formuliert hat: Erfahrung über verschiedene Roboter hinweg zu bündeln, damit eine Policy nicht in einem einzigen Chassis gefangen bleibt.

Die Modellfamilie im Vergleich

Ende 2025 umfasste die Modellreihe vier nennenswerte Mitglieder, und liest man sie im Zusammenhang, zeigt sich die Entwicklung von einer cloud-gebundenen Demo hin zu etwas, das sich tatsächlich ausliefern ließe.

Im Vergleich zu seinen Pendants liest sich das Design wie ein bewusster Kontrast. NVIDIAs Isaac GR00T setzt auf Simulation, um Trainingsdaten in großem Volumen zu erzeugen. Physical Intelligence bündelt reale Teleoperation über viele Robotertypen hinweg in einer einzigen Policy. DeepMinds unterscheidender Schachzug steht orthogonal zu beiden: die Daten real halten, aber Reasoning aus der Aktion herauslösen, sodass das teuer zu lernende Weltmodell geteilt werden kann, während ein kleinerer Aktionskopf sich pro Körper spezialisiert.

Wo es an seine Grenzen stößt

Ein zweistufiges System aus Gehirn und Körper erkauft sich Klarheit und bezahlt dafür mit Latenz und Koordinationsaufwand. Ein Planer, der in Textform schlussfolgert, gelegentlich ein Werkzeug aufruft und die Aufgabe dann an ein Aktionsmodell weiterreicht, ist langsamer als eine einzelne Reflex-Policy, und genau deshalb gibt es einen On-Device-VLA: Ein Teil der Schleife muss lokal, in Motor-Taktrate, laufen, ohne Umweg über die Cloud. Darunter liegt zudem eine Frage der Arbeitsteilung: wie stark man dem Plan gegenüber den Reflexen vertraut, wenn beide nicht übereinstimmen.

Auch Generalisierung hat ihre Grenzen. Embodied Reasoning überträgt sich beeindruckend gut zwischen Objekten, aber ein Reasoning-Modell kann bei Physik, über die es nur gelesen hat, immer noch mit großer Zuversicht falschliegen, und ein lesbarer Plan, der falsch ist, bleibt falsch. DeepMind flankiert die Veröffentlichungen mit Sicherheitsarbeit, darunter der ASIMOV-Benchmark, der beurteilt, ob die Entscheidungen eines Modells physisch und semantisch sicher sind, ein stilles Eingeständnis, dass ein Modell, das flüssig genug ist, um zu planen, auch flüssig genug ist, um etwas zu planen, das es nicht tun sollte.

Worauf es zu achten gilt

Die interessante Frage ist nicht, ob Gemini Robotics auf einer Demo-Bühne einen Origami-Fuchs falten kann. Sie ist, ob die Aufteilung in Reasoning und Aktion trägt, wenn Aufgaben länger und Roboter billiger werden. Wenn Embodied Reasoning wirklich eine wiederverwendbare Schicht ist, sollte dasselbe Gehirn sowohl einen Lagerarm als auch einen humanoiden Heimroboter zum Laufen bringen, mit im Wesentlichen nur einem neuen Aktionskopf dazwischen. Wenn nicht, gleitet das Feld still zurück zu einem Modell pro Roboter, pro Raum. Achten Sie auf die Transferergebnisse, nicht auf die Highlight-Reels.