A Marcio.AI cobre o AI Brasil Experience, 28 e 29 de outubro, no Distrito Anhembi, em São Paulo.

CoberturaIngressos

Gemini Robotics 2.5 leva humanoide da Apptronik a 96% de acerto em fábricas da Mercedes

Capa do Watcher com o título Gemini Robotics 2.5 acerta 96% na Mercedes
Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI.

O Google DeepMind lançou na terça, 10 de novembro, o Gemini Robotics 2.5, seu modelo de visão, linguagem e ação para robôs. Em mais de 200 tarefas, a taxa de acerto ficou de 30% a 100% maior que a da versão anterior, segundo a empresa. A execução ficou de 20% a 30% mais rápida. Num piloto em duas fábricas da Mercedes-Benz, o humanoide Apollo 2, da Apptronik, separou peças de carro com 96% de acerto. O DeepMind não informou quantas tentativas sustentam o número, e a Mercedes não comentou. O modelo está sendo liberado só para parceiros de robótica, sem data de acesso amplo.

Em resumo

  • Modelo: o Gemini Robotics 2.5 transforma imagem e instrução em movimento de braço e mão. Roda em robôs diferentes, como o Apollo 2 e a plataforma Franka Duo.
  • Testes: mais de 200 tarefas, como servir comida com pinça, dar laço em caixa de presente e pipetar líquido. Algumas tarefas saíram de 0% para 93%.
  • Fábrica: o Apollo 2 tirou suportes de metal de caixas e montou bandejas na ordem de cada carro, em Kecskemét, na Hungria, e em Sindelfingen, na Alemanha.
  • Segurança: a conclusão segura de tarefas subiu 33% perto de obstáculos e 43% perto de pessoas. O Gemini 4 Argon resistiu a 99,5% dos ataques do novo teste ASIMOV-Jailbreak.
  • Acesso: só parceiros de robótica. O DeepMind não deu preço nem data de disponibilidade geral.

O que o DeepMind lançou?

O anúncio foi assinado por Carolina Parada, chefe de robótica do DeepMind. Ela chama o Gemini Robotics 2.5 de o modelo de visão, linguagem e ação “mais capaz” da empresa. A promessa é ampliar o leque de habilidades que um robô aprende e a velocidade desse aprendizado, com ganho de destreza, confiabilidade e segurança.

O modelo controla robôs de formatos diferentes. No Apollo 2, ele comanda a mão SharpaWave, de cinco dedos e 22 graus de liberdade. Na Franka Duo, usa garras de dois dedos. O DeepMind diz que usou o Gemini 4 Argon como motor de simulação. A partir de uma cena real de câmera, o Argon monta um gêmeo digital e gera milhares de treinos simulados. Ele também ajuda a explicar por que uma tentativa falhou.

O ganho de 30% a 100% é medido contra “linhas de base anteriores”, sem nome no texto. A Tech Times observa que os gráficos parecem comparar com o Gemini Robotics 2. Os maiores saltos partiram de perto de zero, como abrir a tampa de uma caixa de ferramentas, de 0% para 93%, e pegar doces com pinça, de 5% para 100%. Algumas tarefas seguem baixas, como usar uma panela de arroz, com 40%.

Como foi o teste na Mercedes?

O trabalho testado foi a separação de peças para a linha de montagem. O Apollo 2 pegou suportes de metal em caixas a granel e os pôs em bandejas na sequência pedida por cada veículo. O teste rodou em linhas ativas em Kecskemét, na Hungria, e em Sindelfingen, na Alemanha. O Gemini Robotics ER acompanhou o fluxo do trabalho, e o 2.5 comandou braços e mãos.

Jeff Cardenas, CEO da Apptronik, disse no blog do DeepMind que os modelos “melhoram muito em poucas semanas” de ajuste fino. Kanishka Rao, diretor do DeepMind, disse ao Ars Technica que fechar os 4% restantes será “um caminho íngreme”. Parada descreveu a troca envolvida: o robô pode ficar muito bom numa aplicação, ao custo de generalizar menos.

O Ars Technica avalia que 96% ainda não basta para uma fábrica, porque pessoas em tarefas repetitivas quase nunca erram. O Interesting Engineering chama o resultado de prova de conceito, sem implantação comercial ampla.

Os 96% se sustentam?

A Tech Times lista o que falta no anúncio: o número de tentativas, a definição de acerto e quantas vezes uma pessoa interveio. Para mostrar o peso disso, o site fez contas próprias. Com 24 acertos em 25 tentativas, a margem iria de cerca de 80,5% a 99,3%. Com 960 em 1.000, de 94,6% a 97%.

Pelas contas da Tech Times, com erros independentes, uma bandeja de 10 peças sairia certa 66,5% das vezes, e uma de 20 peças, 44,2%. O site cita uma análise da Bessemer, de abril de 2026, segundo a qual a produção exige cerca de 99,9% de confiabilidade. Ele também lembra que a Mercedes investe na Apptronik e que não achou nota da montadora confirmando os 96%.

Fora do blog do DeepMind, a principal fonte sobre a parceria com a Mercedes é um post no LinkedIn do comentarista de robótica Lukas M. Ziegler, relatado pelo Humanoid.guide.

O que muda na segurança?

O Gemini Robotics 2.5 usa orientação de raciocínio no momento da execução para desviar de riscos físicos. Nos testes do DeepMind, a conclusão segura de tarefas subiu 33% perto de obstáculos e 43% perto de pessoas. Todos esses números são da própria empresa, sem avaliador externo.

O DeepMind também abriu o ASIMOV-Jailbreak, teste com centenas de pedidos que disfarçam ordens perigosas em dezenas de cenas. O 99,5% de resistência a ataques vale para o Gemini 4 Argon, contra 82% do Gemini Robotics ER 2, segundo o blog. O Ars Technica lembra que o 2.5 roda em servidores na nuvem, o que traz atraso de resposta.

Como chegamos até aqui?

No fim de julho, o DeepMind lançou o Gemini Robotics 2, que passou a controlar o corpo inteiro de humanoides, segundo o The Robot Report. O Apollo 2 foi a vitrine. Na época, o planejador ER 2 entrou no Google AI Studio, e uma versão local, a On-Device 2, ficou com parceiros de acesso antecipado. Em julho, a Apptronik tinha aberto em Austin o Robot Park, centro de cerca de 8.400 metros quadrados onde o Apollo 2 aprende tarefas.

A Marcio.AI acompanha a corrida dos modelos para robôs. No lote de 10 de novembro, o portal registrou o ToyBlocks, da Ai2, base aberta para entender por que robôs erram. O Gemini 4 Argon, usado agora como simulador, teve post próprio no lançamento.

O que isso muda para a indústria no Brasil?

Montadoras e fornecedores de autopeças no Brasil fazem a mesma separação de peças por sequência de veículo, em geral com pessoas ou com robôs fixos. O piloto da Mercedes mostra que um humanoide com modelo genérico já faz essa tarefa em linha real, com taxa de erro ainda alta para produção.

Para quem avalia um piloto, a lista da Tech Times serve de roteiro: número de tentativas, definição escrita de acerto, intervenções humanas por turno e quantidade de variantes de peça. Sem esses dados, o 96% vale como demonstração. O acesso ao modelo também depende de parceria com o Google, o que limita testes por conta própria.

O que observar nas próximas semanas

A tese da Marcio.AI: humanoides vão entrar primeiro em logística interna de fábrica, onde 96% já ajuda com uma pessoa revisando, e a montagem fica para depois de 99,9%. Sinais para conferir até o começo de 2027: nota da Mercedes-Benz sobre o piloto ou sobre expansão, publicação do número de tentativas e da taxa de intervenção, resultados de outros laboratórios no ASIMOV-Jailbreak, uma versão local do 2.5 e acesso para além dos parceiros.

Fontes

Rating Marcio.AI: 5/5 (Global, Totalmente relevante, No centro do hype). Seção DeepTech do Watcher.

#MarcioAI #GeminiRobotics #DeepMind #Apptronik #MercedesBenz #Humanoides #Robotica

Como este texto foi produzido

Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.


Leia também: Ai2 abre o ToyBlocks, mesa de blocos com 85.336 demonstrações para entender por que robôs erram e Gemini 4 Argon, o modelo de fronteira do Google.

Deixe um comentário

Rolar para cima