Một ngày sau khi Anthropic cho biết model đa năng mới của họ điều khiển robot tốt hơn gấp đôi bản trước, Google DeepMind ra mắt một model chuyên dành cho robot. Thứ Ba 10/11/2026, hãng công bố Gemini Robotics 2.5 và gọi đây là “model VLA mạnh nhất từ trước đến nay” của mình. VLA (vision-language-action) là loại model nhận hình ảnh và câu lệnh rồi trực tiếp sinh ra chuyển động cho robot. Bài công bố do Carolina Parada, người phụ trách mảng robot của DeepMind, đứng tên. Kết quả đáng chú ý nhất lại đến từ bên ngoài phòng thí nghiệm. Robot hình người (humanoid) Apollo 2 của Apptronik chạy model này trên dây chuyền sản xuất thật của Mercedes-Benz và hoàn thành việc chia linh kiện với tỷ lệ thành công 96%.
Con số này rất ấn tượng. Nhưng với những ai đang tính đưa robot vào sản xuất, điều đáng nghe hơn là chính lãnh đạo mảng robot của DeepMind nói gì về 4% còn lại.
DeepMind công bố gì
Hệ thống Gemini Robotics có hai tầng. Tầng trên là Gemini Robotics ER (embodied reasoning, tức suy luận gắn với cơ thể robot), một model thị giác–ngôn ngữ nhận câu lệnh, xem video trực tiếp và lập kế hoạch từng bước. Tầng dưới là model VLA Gemini Robotics, biến kế hoạch đó thành lệnh điều khiển cánh tay, bàn tay và kẹp. Bản 2.5 nâng cấp tầng dưới này. Bản trước, Gemini Robotics 2, ra mắt hồi tháng 7 và đã điều khiển được toàn thân robot hình người lẫn nhiều loại robot khác.
Các điểm chính, có trong blog của DeepMind và được Ars Technica cùng The Decoder đưa tin:
- Khoảng 200 tác vụ đánh giá, như gắp đồ ăn bằng kẹp, thắt nơ trên hộp quà hay dùng pipet hút chất lỏng.
- Tỷ lệ thành công cao hơn 30% đến 100% so với bản trước, tùy loại tác vụ, và nhanh hơn 20% đến 30%. Ars lưu ý đây là kết quả trong phòng thí nghiệm.
- Một model dùng được cho nhiều loại robot: Apollo 2 với bàn tay năm ngón SharpaWave có 22 bậc tự do, và robot hai tay Franka Duo chỉ có kẹp song song đơn giản.
- Chỉ đối tác mới được dùng. Chưa có API công khai, cũng chưa có giá. Blog của DeepMind cảm ơn Agile, Apptronik và Mercedes-Benz. Ars thì nêu tên các đối tác là Agile Robots, Apptronik và Boston Dynamics. Hai danh sách này lệch nhau, và DeepMind không nhắc tới Boston Dynamics.
Biểu đồ từng tác vụ trong blog cho thấy mức cải thiện nằm ở đâu. Nhiều việc nhiều bước hoặc phải xử lý vật mềm, dễ biến dạng đã đi từ gần như không làm được sang dùng được. Đóng nắp hộp đồ nghề tăng từ 0% lên 93%. Dùng kẹp xếp bánh ngọt tăng từ 5% lên 100%. Gỡ nơ ruy băng tăng từ 0% lên 70%. Riêng gấp quần chỉ từ 0% lên 40%, cho thấy xử lý vải vẫn còn xa mới giải quyết xong.
Chạy thử tại nhà máy Mercedes-Benz
Đợt chạy thử diễn ra trên dây chuyền ở Kecskemét (Hungary) và Sindelfingen (Đức). Công việc là kitting, tức chia linh kiện theo bộ: Apollo 2 nhặt các giá đỡ kim loại từ thùng chứa rời rồi đặt vào khay theo đúng thứ tự mà từng chiếc xe trên dây chuyền cần. Model ER theo dõi tiến trình công việc, còn model VLA 2.5 điều khiển tay. DeepMind cho biết robot tự bù vào những ô còn trống khi làm. Theo The Decoder, CEO Apptronik Jeff Cardenas nói model đã tiến bộ rõ rệt chỉ sau “vài tuần post-training” (huấn luyện bổ sung sau giai đoạn huấn luyện chính) và khi chuyển sang dây chuyền Mercedes thì hiệu năng giảm rất ít.
Kitting là việc đầu tiên hợp lý cho một robot đa năng. Việc này lặp đi lặp lại, nặng nhọc, không đòi hỏi tốc độ quá cao, còn linh kiện lại đủ hình dạng. Đó chính là chỗ tự động hóa công nghiệp lập trình cứng tốn kém mỗi khi phải cấu hình lại.
Dùng model lớn làm trình mô phỏng để huấn luyện
Với lập trình viên, phần đáng chú ý hơn là cách model được tạo ra. DeepMind cho biết Gemini 4 Argon, model đa năng hàng đầu của hãng, được dùng như một “cỗ máy mô phỏng”. Từ một cảnh quay camera thật, Argon tạo ra hàng nghìn biến thể luyện tập và một digital twin (bản sao số của môi trường thật). Dữ liệu tổng hợp này được trộn với các lần thao tác mẫu thật do con người điều khiển robot từ xa. Argon còn được dùng để xem video, đoán nguyên nhân robot làm hỏng và đề xuất cách sửa, rồi các đề xuất đó được thử trên mô phỏng lẫn robot thật.
Cách làm này nhắm thẳng vào nút thắt lớn nhất của ngành robot. Không có kho dữ liệu tương tác vật lý nào lớn cỡ internet, còn dữ liệu điều khiển từ xa thì thu thập chậm và đắt. Nếu model lớn có thể nhân số mẫu thật lên bằng các biến thể tổng hợp đủ tin cậy, chi phí dạy robot một việc mới sẽ giảm mạnh. Đây cũng là xu hướng đã thấy ở Genie 4: world model (model mô phỏng thế giới) đang trở thành hạ tầng huấn luyện chứ không chỉ để trình diễn.
An toàn: benchmark thử dụ robot làm điều nguy hiểm
DeepMind cho biết Gemini Robotics 2.5 suy luận ngay trong lúc chạy để né chướng ngại, dừng hẳn hoặc chờ khi có vật cản. Theo đánh giá nội bộ, tỷ lệ hoàn thành tác vụ an toàn tăng 33% khi có chướng ngại vật và 43% khi có người ở gần.
Hãng cũng đưa lên Hugging Face bộ ASIMOV-Jailbreak. Đây là benchmark gồm các yêu cầu ngụy trang hành động vật lý nguy hiểm để xem robot có bị “jailbreak” (dụ vượt rào an toàn) hay không. Đóng góp này hữu ích vì ngành chưa có cách thống nhất để kiểm tra an toàn cho AI điều khiển robot. Có điều, các số liệu được công bố chưa khớp nhau:
- Blog DeepMind ghi Argon chống jailbreak được 99,5%, so với 82% của Gemini Robotics ER 2. Ars lại đưa con số 98,8% và 73,5%.
- Blog nói bộ dữ liệu có “hàng trăm prompt” trong “hàng chục bối cảnh”. Ars nói 1.500 prompt. Trang dữ liệu trên Hugging Face thì liệt kê 845 lượt thử nhiều bước, cộng thêm vài trăm mẫu một bước.
- Muốn tải dữ liệu phải đăng nhập và đồng ý điều khoản trên Hugging Face. Trang này cũng ghi hai giấy phép khác nhau: CC BY 4.0 ở phần đầu và MIT trong README.
Không chênh lệch nào trong số này là nghiêm trọng, có thể do khác phiên bản hoặc khác tập con của benchmark. Nhưng benchmark an toàn chỉ có giá trị khi người khác tái lập được kết quả, nên DeepMind cần làm rõ.
Nhìn một cách thận trọng
Có ba điểm cần lưu ý.
Thứ nhất, 96% chưa phải con số dùng được cho sản xuất. Công nhân làm việc chia linh kiện gần như không bao giờ sai. Kanishka Rao, một giám đốc của DeepMind, nói với Ars rằng thu hẹp nốt 4% còn lại sẽ là “con đường dốc”. Parada nói thẳng về sự đánh đổi: “Chúng tôi có thể làm rất giỏi một ứng dụng cụ thể nhưng phải hy sinh khả năng tổng quát hóa. Hoặc chúng tôi đẩy mạnh khả năng tổng quát hóa và có thể không đạt 99,9% ở mọi ứng dụng.” Không nguồn nào cho biết số lần thử, thời gian chạy thử, cách định nghĩa lỗi hay bao lâu thì con người phải can thiệp một lần.
Thứ hai, model chạy trên cloud. Theo Ars, bản 2.5 vẫn chạy trên máy chủ cloud, nên cải thiện về độ chính xác và tốc độ vẫn đi kèm độ trễ mạng. Ars cũng lưu ý video demo được tua nhanh gấp đôi. Với nhà máy, phụ thuộc vào cloud đặt ra câu hỏi về thời gian hoạt động liên tục và kết nối mạng trong xưởng.
Thứ ba, mọi con số đều do DeepMind tự báo cáo. Kết quả benchmark trong phòng thí nghiệm, mức cải thiện an toàn và kết quả chạy thử đều đến từ DeepMind và đối tác, chưa có đánh giá độc lập nào.
Vì sao đáng quan tâm
Cả ngành đang đặt cược rằng một model đa năng, huấn luyện phần lớn bằng dữ liệu tổng hợp và tinh chỉnh trong vài tuần, có thể thay cho hàng tháng lập trình robot cho từng việc riêng. Gemini Robotics 2.5 là bằng chứng rõ nhất đến nay rằng cách này đạt khoảng 96% trên một dây chuyền thật. Nó cũng cho thấy rõ khoảng cách giữa “chạy được” và “đưa vào sản xuất được”. Với kỹ sư phần mềm, thay đổi đáng kể là hành vi của robot đang dần trở thành chuyện post-training, bộ công cụ đánh giá (evaluation harness) và benchmark an toàn, thay vì viết tay từng đoạn mã chuyển động. Bài toán làm cho hệ thống xác suất chạy ổn định, thứ mà giới làm LLM vẫn đang học dần, sắp được mang xuống tận sàn nhà máy.
Nguồn
- Google DeepMind, Gemini Robotics 2.5 accelerates real-world general dexterity (10/11/2026)
- Ars Technica, DeepMind reveals Gemini Robotics 2.5 and open safety benchmark “ASIMOV-jailbreak” (10/11/2026)
- The Decoder, Google DeepMind’s Gemini Robotics 2.5 scores 96 percent sorting metal parts in a Mercedes-Benz assembly pilot (10/11/2026)
- Hugging Face, trang dữ liệu google/asimov_agentic