O Gemini Robotics 2.5 separa peças automotivas. A fábrica consegue usar todos os kits?
O Google DeepMind relata 96% de sucesso em um piloto de montagem de kits automotivos com o Apollo 2. As próximas perguntas são precisão da bandeja, transferências e repetibilidade dos tempos de ciclo.
Dois suportes metálicos parecem quase iguais na caixa. Um vai para a próxima bandeja e o outro pertence a outra configuração de veículo. O suporte errado ainda pode ficar bem encaixado no compartimento certo. Um robô que transporta peças com precisão já cumpre uma tarefa útil. O trabalho que a fábrica precisa, porém, termina quando o kit chega com as peças certas na ordem certa.
Em 10 de novembro de 2026, o Google DeepMind anunciou o Gemini Robotics 2.5 e informou que começava a disponibilizá-lo a parceiros de robótica. A DeepMind relatou uma taxa de sucesso de 96% numa prova de conceito de montagem de kits automotivos com a Apptronik e a Mercedes-Benz. O ensaio usou o humanoide Apollo 2 da Apptronik em linhas de produção ativas em Kecskemét, na Hungria, e Sindelfingen, na Alemanha. Anúncio e demonstração em fábrica da DeepMind · Descrição do Apollo 2 pela Apptronik
A demonstração importa porque dá uma tarefa industrial concreta a um modelo robótico abrangente. Acompanhar a bandeja ao longo da tarefa torna a avaliação mais útil do que um percentual isolado. O sistema entrega a bandeja certa na hora certa? As pessoas na linha sabem o que fazer quando algo dá errado?

Fábrica da Mercedes-Benz em Sindelfingen, fotografada em 2014. A vista externa identifica um dos dois locais do ensaio. Foto de qwesy qwesy, Wikimedia Commons, CC BY 3.0. Redimensionada pela Telli.sh.
A montagem de kits mostra a diferença entre pegar uma peça e fazer a entrega certa
Montar kits automotivos significa reunir e organizar peças na sequência em que serão usadas. No relato do piloto da Mercedes-Benz, a DeepMind descreve caixas de abastecimento a granel e recipientes de sequenciamento. O Apollo 2 pegou suportes metálicos e os colocou nesses recipientes. Segundo a DeepMind, o Gemini Robotics ER acompanhava o processo, enquanto o Gemini Robotics 2.5 controlava as mãos e os braços do robô. A empresa o classifica como um modelo de visão, linguagem e ação, que usa o que vê e as instruções da tarefa para orientar movimentos físicos. Descrição da prova de conceito pela DeepMind
Visão conceitual da montagem de kits automotivos. A conferência na entrega ilustra uma regra de aceitação do piloto. Ilustração da Telli.sh baseada no relato da DeepMind sobre o ensaio da Mercedes-Benz. Caso e vídeo da DeepMind
Uma estação de montagem de kits liga o estoque à montagem seguinte. Se faltar um suporte ou a bandeja atrasar, o próximo técnico precisa saber o estado e como concluir o trabalho. Um único movimento de coleta bem-sucedido diz pouco sobre essa etapa. Mesmo quando várias peças são colocadas corretamente, uma só ausência pode exigir retrabalho na bandeja.
Imagine uma bandeja com três itens distintos. As duas primeiras colocações estão corretas. A terceira também parece mecanicamente correta, mas a peça é o suporte esquerdo de outra configuração. Na contagem de colocações, o robô parece ter colocado três itens. Na contagem de kits, a bandeja precisa de correção. O exemplo é deliberadamente simples e não descreve erro observado no piloto da Mercedes-Benz.
A utilidade de um modelo de raciocínio também depende de como a estação define uma exceção. Um compartimento pode estar vazio porque a peça ainda não entrou ou porque aquele veículo não a usa. A estação só distingue os casos quando o estado da tarefa coincide com as instruções de produção aprovadas. O relato público diz que o robô corrigiu lacunas, mas não detalha como estoque, sequenciamento e tratamento de exceções da fábrica foram integrados. Prova de conceito da DeepMind
Leia os 96% junto com a unidade de trabalho
A publicação da DeepMind de 10 de novembro relata taxa de sucesso de 96% no piloto. Ela não fornece o denominador nem uma distribuição de tempos de ciclo e intervenções humanas. O percentual informa o resultado que a equipe participante publicou para a prova de conceito descrita. Para decidir sobre escala, a fábrica precisa saber quantos kits corretos chegaram no momento previsto e quais condições o piloto cobriu. Resultado do piloto publicado pela DeepMind
Considere duas interpretações hipotéticas. Se 96% significa 96 kits completos em 100, quatro precisaram de recuperação conforme a definição do teste. Se 96% se refere a coletas individuais, o sucesso do kit depende do número de coletas e de as falhas ocorrerem juntas. Com cinco coletas independentes a 96% cada, a chance de todas funcionarem é de cerca de 82%. A conta apenas ilustra como o denominador muda a métrica. Ela não estima o resultado da estação da Mercedes-Benz, e na prática os resultados podem estar correlacionados.
O tempo também altera a comparação. Um robô pode concluir a maioria dos kits na primeira tentativa e precisar de pausas muito longas em alguns casos difíceis. A média pode esconder paradas no momento errado. Compare ciclos típicos e lentos junto com o número de kits enviados à próxima etapa. Informe se a operação parou quando o robô pediu ajuda ou se um processo existente manteve a estação em movimento.
| Pergunta para o próximo piloto | Medida | Por que importa |
|---|---|---|
| O técnico recebe as peças certas? | Kits completos na sequência certa e aceitos na primeira entrega | Uma coleta pode dar certo sem produzir um kit utilizável |
| A estação acompanha a cadência? | Distribuição dos tempos de ciclo, incluindo os lentos | Esperas longas afetam a próxima estação |
| Quem resolve as exceções? | Intervenções e tempo de recuperação por motivo | Automatizar a coleta ainda pode transferir trabalho às pessoas |
| O resultado resiste a uma mudança? | Mesmas medidas depois de uma troca aprovada de peça ou bandeja | Uma configuração confiável diz pouco sobre outra |
Quatro medidas que uma equipe de produção pode coletar junto à taxa de sucesso informada pelo fornecedor. A ficha é uma avaliação proposta e não contém dados do piloto da Mercedes-Benz. Ilustração da Telli.sh.
Uma boa troca de configuração mostra que parte do processo se adaptou
A DeepMind afirma ter avaliado o Gemini Robotics 2.5 em cerca de 200 tarefas distintas e relata melhorias em relação a referências anteriores nas próprias avaliações. Os testes incluem operações sobre uma mesa e manipulação mais complexa. Lidar com objetos diferentes é uma razão de pesquisa para um modelo geral. Para a produção, a medida útil é o trabalho necessário para adaptar a estação quando muda a combinação esperada de peças. Avaliação e exemplos da DeepMind
Comece pelos motivos reais de mudança. Um fornecedor pode entregar uma peça com outro acabamento. Um novo ano-modelo pode trazer um suporte parecido. A supervisão pode mudar a disposição das peças porque outra célula precisa de espaço. Cada mudança afeta uma parte da tarefa. Reconhecimento, pegada e sequenciamento correto merecem observações separadas, mesmo se a medida final for o kit completo.
Imagine um recipiente novo e aprovado com as mesmas peças em outra disposição. Se for preciso ensinar outro procedimento, registre o tempo e quem o ensina. Se o robô puder se adaptar sem um novo programa, meça quantas tentativas são necessárias para recuperar a precisão e a cadência anteriores. Compare a troca completa, incluindo os ajustes da fixação, a configuração e a verificação. É esse trabalho que um robô geral pode poupar e que pode passar despercebido num vídeo bem-sucedido.
O mesmo vale para outro tipo de estação. Um robô que trabalha com suportes conhecidos tem um resultado útil para kits, mas peças delicadas trazem outros critérios de aceitação. Ferramentas, contato com a peça, regras de contaminação e a inspeção de danos pelo operador podem mudar. Transferir significa cumprir os requisitos da nova estação após uma quantidade mensurável de trabalho adicional.
Inclua a transferência ao operador na avaliação
A DeepMind descreve melhorias nas orientações de segurança física junto com o Robotics 2.5. Esses recursos são um dos insumos da avaliação da estação. Quem responde pela célula precisa de limites de operação claros e de um processo documentado de parada e retomada para os equipamentos e o ambiente reais. A equipe de segurança da instalação e os integradores devem assumir esse trabalho. A avaliação publicada do modelo não estabelece que uma instalação específica esteja pronta para pessoas trabalharem ao redor. Discussão de segurança da DeepMind
Um ensaio também testa a informação que as pessoas recebem. Se a bandeja parar no meio do processo, o operador consegue identificar os compartimentos concluídos e decidir se deve continuar ou retirar a bandeja? Um estado visível, uma razão breve e um encaminhamento inequívoco evitam que outra pessoa precise diagnosticar a interrupção do zero.
Há uma vantagem prática em incluir técnicos. Eles conhecem as variações frequentes, as faltas que a etapa seguinte consegue resolver e as que exigem outra sequência. O robô deve fornecer informação no nível que essas decisões pedem. Peça a alguém que não participou do desenho do piloto para explicar o que faria se a estação sinalizasse um kit e use a resposta para melhorar a transferência.
Monte o próximo ensaio em torno da bandeja que a fábrica precisa
- Escolha uma célula delimitada e uma família de peças. Peça às equipes de produção e segurança que identifiquem o fluxo habitual, o processo aceito e a razão para testar um robô ali.
- Defina uma entrega correta. Registre peças, compartimentos, sequência e tempo aceitável. Acompanhe cada bandeja entregue em vez de contar cada coleta como trabalho concluído.
- Meça a referência. Observe um período representativo do processo atual, incluindo tempos de ciclo, exceções habituais e efeito na próxima estação.
- Repita sob variações aprovadas. Compare a configuração inicial com mudanças normais de estoque ou horário autorizadas pela fábrica para o teste. Aplique os mesmos critérios antes e depois.
- Revise com operadores e integradores. Descubra o que ocorreu nas execuções mais lentas e menos bem-sucedidas e combine quais falhas o próximo teste precisa tratar.
Esses passos propõem a avaliação de um ensaio industrial autorizado. Eles não descrevem os testes dos parceiros. A prova de conceito oferece um exemplo de tarefa relevante com saída física clara. A equipe pode usá-lo para decidir o que precisa medir em sua própria fábrica, mesmo sem usar esse robô ou modelo.
Use uma ficha por execução para manter a interpretação estável. Anote a família de peças aprovada, a condição de entrada, a entrega esperada, o resultado e o tempo decorrido. Quando houver recuperação, separe o tempo de indisponibilidade do robô do tempo de trabalho ativo da pessoa. Uma breve pausa do robô e um grande atraso na etapa seguinte são resultados distintos que importam para o planejamento de pessoal.
Observe onde começa e termina a comparação. Quem faz a tarefa hoje talvez também reponha caixas ou sinalize um recipiente com etiqueta errada durante o turno. Se o robô faz a coleta e uma pessoa assume as demais tarefas, o resultado ainda pode ser útil. Inclua esse trabalho na descrição para deixar claro quais responsabilidades a célula assume e quais ficam com uma pessoa.
A estação funciona quando a próxima pessoa recebe um kit utilizável
O resultado relatado na Mercedes-Benz ajuda a responder se a manipulação adaptável pode ser útil em uma linha real. A decisão seguinte depende de todo o processo. Uma estação confiável entrega as peças certas no momento certo e apresenta exceções com clareza suficiente para recuperar a operação. Assim uma demonstração promissora vira um resultado que outra fábrica pode avaliar.
Fontes
- Anúncio, piloto e vídeos do Google DeepMind sobre o Gemini Robotics 2.5, 10 de novembro de 2026
- Descrição do Apollo 2 pela Apptronik
- Foto da área externa da fábrica de Sindelfingen por qwesy qwesy
Para encontrar os relatos e as decisões de um piloto, crie uma conta na Telli.sh.