Google DeepMind의 새 로봇 모델은 범용 로봇이 실험실 시연이 아닌 실제 일을 하는 모습을 보여 주려는 지금까지 가장 분명한 시도입니다. Gemini Robotics 2.5는 시각·언어·행동 모델로, 카메라 영상과 지시를 받아 동작을 출력합니다. 핵심 근거는 벤치마크 표가 아니라 자동차 공장 현장에서 나왔습니다.
DeepMind는 집게로 음식 덜기, 선물 상자에 리본 묶기, 액체 피펫팅 등 200개가 넘는 서로 다른 과제로 모델을 평가했다고 밝혔습니다. 이전 기준 대비 성공률은 과제 유형에 따라 30%에서 100% 높아졌고, 과제 완료 속도는 20%에서 30% 빨라졌습니다. 모델은 다섯 손가락 손을 가진 Apptronik의 인간형 로봇 Apollo 2와 단순한 그리퍼를 단 양팔 로봇 Franka Duo 등 여러 기체에서 작동합니다.
더 구체적인 결과는 헝가리 케치케메트와 독일 진델핑겐 공장에서 Apptronik, Mercedes-Benz와 진행한 시범 운영입니다. Apollo 2 로봇은 대량 보관함에서 금속 브래킷을 집어 라인의 각 차량에 필요한 순서대로 트레이에 담는 키팅 작업을 했습니다. 성공률은 96%였으며, 별도의 추론 모델인 Gemini Robotics ER이 작업 흐름을 추적하고 2.5가 팔과 손을 제어했습니다. 안전 측면에서는 실행 시점의 추론 유도로 장애물 근처에서의 안전한 과제 완료가 33%, 사람 근처에서는 43% 늘었습니다. DeepMind는 위험한 요청을 위장한 수백 개의 프롬프트로 이뤄진 공개 벤치마크 ASIMOV-Jailbreak도 내놓았습니다. 여기서 Gemini 4 Argon은 시도의 99.5%를 막아 냈고, 이전 Gemini Robotics ER 2는 82%였습니다.
저희 Gemini 4 Argon 리뷰와의 연결은 직접적입니다. DeepMind는 Argon이 실제 카메라 장면 하나로 수천 번의 모의 연습을 만들어 내고 연구자들이 영상으로 실패 원인을 진단하도록 도와 개발을 앞당겼다고 설명합니다. 이것이 사실이라면 로봇 공학의 병목은 물리 데이터 수집에서 범용 모델이 그 데이터를 얼마나 잘 상상하느냐로 옮겨 갑니다.
대 부분은 외부에서 확인할 수 없습니다. 모든 수치는 DeepMind가 자사 이전 모델과 비교한 자체 평가에서 나왔고, 30%에서 100%라는 범위는 너무 넓어 개별 과제에 대해서는 말해 주는 것이 적습니다. 모델은 로봇 분야 파트너에게만 배포되고 있어 독립 개발자는 시험해 볼 수 없습니다. 96% 성공률은 시범 운영으로는 훌륭하지만, 로봇이 작업대에서 사람을 대신하려면 생산 라인은 보통 그보다 높은 신뢰성을 요구합니다. 발표에는 사람 작업자 대비 속도나 비용에 관한 수치도 없습니다.