Gemini Robotics 2.5: il robot di DeepMind che impara più in fretta

Google DeepMind ha presentato Gemini Robotics 2.5, quello che l’azienda definisce il suo modello vision-language-action più capace finora. L’annuncio, firmato da Carolina Parada e pubblicato il 10 novembre 2026, promette robot in grado di imparare più abilità e di farlo più in fretta, così da lavorare in ambienti meno strutturati di una cella industriale. Il dato che più ha fatto rumore riguarda un pilota con il robot umanoide Apollo 2 di Apptronik su linee di produzione Mercedes-Benz, con un tasso di successo del 96% in un compito di kitting automobilistico.

Per chi segue l’intelligenza artificiale applicata al mondo fisico, è un passaggio importante. Vediamo che cosa è stato annunciato, quali numeri sono stati diffusi e che cosa cambia davvero per la robotica.

Che cos’è Gemini Robotics 2.5

Un modello vision-language-action, o VLA, è un sistema che prende in ingresso immagini e istruzioni in linguaggio naturale e restituisce direttamente azioni da far eseguire a un robot. Non si limita quindi a descrivere ciò che vede, ma decide come muovere braccia e mani. Gemini Robotics 2.5 è l’evoluzione di Gemini Robotics 2, il modello con cui DeepMind aveva già puntato al controllo del corpo dei robot umanoidi.

Secondo DeepMind, la nuova versione allarga la gamma di competenze che un robot può apprendere e accelera il processo di apprendimento. L’obiettivo dichiarato è portare le macchine fuori dai laboratori, in contesti reali dove gli oggetti cambiano posizione, i materiali sono morbidi e i compiti richiedono più passaggi consecutivi.

Destrezza, affidabilità e hardware supportato

Il modello gestisce utensili di uso quotidiano e oggetti delicati o flessibili, e riesce a eseguire un numero più alto di compiti rispetto ai predecessori. Migliora anche l’affidabilità: i robot si adattano meglio ai cambiamenti dell’ambiente e ragionano su sequenze di azioni più lunghe.

Dal punto di vista dell’hardware, Gemini Robotics 2.5 funziona in modo nativo con diversi tipi di robot. Tra questi ci sono l’umanoide Apollo 2 di Apptronik, dotato della mano a cinque dita SharpaWave con 22 gradi di libertà, e la piattaforma Franka Duo, con pinze parallele a due dita. Due forme di mano molto diverse gestite dallo stesso modello: è un indizio della generalità che DeepMind cerca.

La valutazione ha coperto più di 200 compiti distinti, come servire il cibo con le pinze, annodare un fiocco su una scatola regalo o pipettare un liquido.

I numeri dichiarati da DeepMind

Nel confronto con le linee di base precedenti, DeepMind parla di tassi di successo più alti dal 30% al 100%, a seconda del tipo di compito, e di attività completate dal 20% al 30% più velocemente. Sono cifre aggregate, ma il post le accompagna con esempi concreti che mostrano il salto rispetto a Gemini Robotics 2.

Sui compiti da tavolo e multi-step, chiudere il coperchio di una cassetta degli attrezzi nera passa dallo 0% al 93%, appendere una tazza al suo gancio dal 29% al 75%, spazzare la spazzatura nella paletta dallo 0% al 52% e riempire una pentola per il riso dallo 0% al 40%.

Ancora più interessanti i risultati sulla manipolazione fine. Impacchettare dolci usando le pinze sale dal 5% al 100%, sciogliere un nastro annodato dallo 0% al 70%, appendere un cardigan dallo 0% al 62% e piegare dei pantaloni dallo 0% al 40%.

Questi valori vanno letti con prudenza: sono misure interne, riferite a compiti scelti dall’azienda, e non esistono per ora verifiche indipendenti. Restano però un segnale chiaro. Alcune attività che prima non riuscivano mai ora riescono in una buona parte dei tentativi.

Il pilota con Apptronik e Mercedes-Benz

La parte più concreta dell’annuncio riguarda l’industria. Apptronik ha impiegato robot umanoidi Apollo 2 per un compito di kitting nel settore automotive: prelevare staffe metalliche da contenitori alla rinfusa e disporle in vassoi in una sequenza precisa. Il sistema combina due modelli: Gemini Robotics ER tiene traccia del flusso di lavoro, mentre Gemini Robotics 2.5 controlla mani e braccia.

Il test ha raggiunto un tasso di successo del 96%. Il pilota si è svolto su linee di produzione attive di Mercedes-Benz, a Kecskemét in Ungheria e a Sindelfingen in Germania, e secondo Apptronik le prestazioni si sono mantenute con un calo minimo anche passando alla produzione reale. Tra i ringraziamenti compare anche Agile, che ha sostenuto il rilascio.

Un 96% è un risultato notevole, ma in fabbrica il 4% di errori ha un costo. Per questo il valore del pilota sta soprattutto nella dimostrazione di trasferibilità: ciò che funziona in laboratorio regge, in larga parte, anche su una linea vera.

Sicurezza e il benchmark ASIMOV-Jailbreak

Un robot che manipola oggetti accanto a persone deve essere sicuro prima ancora che capace. DeepMind descrive un sistema di guida in fase di inferenza che usa il ragionamento per evitare i pericoli fisici in tempo reale. Nelle valutazioni, questo approccio ha aumentato del 33% il completamento sicuro dei compiti in presenza di ostacoli e del 43% quando ci sono persone vicine.

C’è poi il fronte della sicurezza agentica. Secondo il post, Gemini 4 Argon guida le valutazioni di robotica agentica di DeepMind su tre aspetti: rifiutare compiti non sicuri, risolvere le incertezze e lavorare vicino agli esseri umani.

Un benchmark open source contro i jailbreak

DeepMind ha rilasciato in open source ASIMOV-Jailbreak, un benchmark pensato per misurare la robustezza dei modelli contro i jailbreak specifici della robotica. Contiene centinaia di prompt che mascherano richieste pericolose in decine di scene diverse. Un jailbreak, in questo caso, non produce solo un testo scorretto: può tradursi in un gesto fisico indesiderato.

Su questo test Gemini 4 Argon ha ottenuto una resistenza ai jailbreak del 99,5%, contro l’82% della base di confronto precedente, Gemini Robotics ER 2. Mettere il benchmark a disposizione di tutti è una scelta utile, perché permette a ricercatori e concorrenti di confrontarsi sullo stesso metro.

Simulazione e gemelli digitali per imparare più in fretta

Un’altra novità riguarda il modo in cui i robot vengono addestrati. Gemini 4 Argon è usato come motore di simulazione: partendo da una scena reale ripresa da una telecamera, genera migliaia di prove simulate diverse e costruisce un gemello digitale realistico dell’ambiente. Combinando queste esecuzioni con dimostrazioni reali, i robot generalizzano più rapidamente a scene e oggetti nuovi.

Raccogliere dati con robot fisici è lento e costoso, quindi la possibilità di moltiplicare le esperienze in simulazione è uno dei motivi per cui i progressi, qui, possono arrivare in fretta.

Disponibilità e contesto competitivo

Per ora Gemini Robotics 2.5 viene reso disponibile ai partner di robotica di DeepMind. Il post non indica una disponibilità generale per il pubblico o per gli sviluppatori, quindi per vedere il modello all’opera su larga scala bisognerà aspettare nuovi annunci.

Il rilascio arriva in un momento di forte attività nel settore. Ieri abbiamo raccontato NVIDIA GR00T 2, il modello che insegna ai robot a partire dai video di persone. Le strategie sono diverse, ma la direzione è la stessa: modelli generalisti che controllano corpi diversi e imparano da pochi esempi.

Che cosa cambia davvero

Il messaggio principale è che la robotica sta seguendo la stessa traiettoria dei modelli linguistici: un modello più generale, addestrato su dati variegati, che sostituisce tante soluzioni specializzate. Se i numeri di DeepMind reggeranno alla prova di test indipendenti, il costo di insegnare un nuovo compito a un robot potrebbe scendere in modo sensibile.

Restano questioni aperte: l’accesso limitato ai partner, la distanza fra un pilota e un impiego diffuso, la sicurezza vicino alle persone. Sono temi da osservare con attenzione, senza entusiasmi automatici.

Conclusioni

Gemini Robotics 2.5 mostra quanto in fretta stia maturando l’AI incarnata: più destrezza, più compiti, un pilota industriale con un 96% di successo e un benchmark di sicurezza aperto a tutti. Se lavori con l’automazione, la logistica o la produzione, è il momento di seguire questi sviluppi da vicino e di capire dove un robot generalista potrebbe entrare nei tuoi processi.

Puoi leggere l’annuncio completo sul blog di Google DeepMind. Continua a seguire il nostro sito per gli aggiornamenti sulla robotica e sull’intelligenza artificiale: ti racconteremo le prossime novità non appena escono.