Présentation de Gemini Robotics 2.5

Google DeepMind a dévoilé la version 2.5 de sa plateforme d’intelligence artificielle embarquée, Gemini Robotics. Cette itération vise à rapprocher les capacités robotisées de la performance humaine sur des tâches physiques variées. Au cours de la démonstration, des robots équipés de Gemini 2.5 ont exécuté des opérations dans des usines Mercedes‑Benz et ont manipulé des objets complexes comme des rubans pour nouer un nœud, une prouesse reconnue comme difficile pour les manipulateurs à doigts souples.

Architecture logicielle et flux de données

Le système repose sur deux couches majeures. La première, Gemini Embodied Reasoning, est un modèle vision‑langage qui reçoit les instructions de l’utilisateur, analyse le flux vidéo en temps réel et génère un plan d’action. La seconde, le module vision‑language‑action (VLA), traduit le plan en commandes d’actuateurs physiques ; c’est le composant nommé Gemini Robotics. La mise à jour vers la version 2.5 implique une révision du réseau de décodage d’actions, optimisée pour réduire la latence de 20 à 30 % par rapport à la version précédente.

Performances mesurées et limites

DeepMind a évalué le modèle sur plus de 200 activités, incluant la manipulation d’ustensiles de cuisine et l’usage de pipettes de laboratoire. Selon les résultats internes, le taux de succès a progressé de 30 à 100 % selon la tâche, tandis que la vitesse d’exécution s’est accrue de 20 à 30 %. En conditions réelles, les robots Apollo 2 d’Apptronik, pilotés par Gemini 2.5, ont atteint un taux de réussite de 96 % lors du montage de pièces automobiles dans plusieurs usines européennes. Malgré ces progrès, le directeur Kanishka Rao indique qu’un écart de 4 % reste à combler avant d’atteindre la fiabilité humaine.

Déploiement industriel et perspectives de sécurité

Le partenariat avec Mercedes‑Benz montre que la plateforme peut être intégrée dans des lignes de production existantes, mais la variabilité du monde réel impose des exigences de robustesse supplémentaires. DeepMind a annoncé la publication d’un benchmark de sécurité open source, nommé « ASIMOV‑jailbreak », destiné à mesurer la résistance des modèles à des manipulations malveillantes. Ce cadre vise à standardiser les tests de sûreté avant tout déploiement à grande échelle, même si les critères exacts du benchmark restent à préciser publiquement.