Gemini Robotics 2.5 : l’IA de DeepMind fait travailler des robots humanoïdes chez Mercedes-Benz

Servir des aliments avec une pince, nouer un ruban sur un paquet cadeau, prélever un liquide à la pipette : des gestes banals pour un humain, mais redoutables pour un robot. Google DeepMind a présenté le 10 novembre 2026 Gemini Robotics 2.5, son modèle d’IA le plus avancé pour piloter des robots, avec une ambition affichée : les faire sortir des laboratoires pour travailler dans des environnements réels, aux côtés des humains. Premier terrain d’essai grandeur nature : des chaînes de production de Mercedes-Benz.

Un « cerveau » pour robots de tous types

Gemini Robotics 2.5 est un modèle dit vision-langage-action. Il regarde la scène grâce aux caméras du robot, comprend une consigne formulée en langage courant et traduit le tout en mouvements des bras et des mains. Comme les versions précédentes de la gamme, lancée par DeepMind en mars 2025, il fonctionne sur de nombreux types de robots, dont des humanoïdes.

Selon DeepMind, ce progrès doit beaucoup à Gemini 4 Argon, son grand modèle de langage, utilisé comme accélérateur de la recherche en robotique. Argon génère à partir d’une seule scène filmée des milliers de variantes d’entraînement simulées, sortes de jumeaux numériques de l’environnement réel. Il aide aussi les chercheurs à comprendre, à partir de vidéos, pourquoi une tâche a échoué, puis à tester des corrections en simulation et sur de vrais robots.

Plus adroit, plus fiable, plus rapide

DeepMind a évalué le modèle sur plus de 200 tâches distinctes, qui combinent usage d’outils, manipulation d’objets souples et maniement d’objets fragiles. Les résultats annoncés, comparés aux versions précédentes :

Ces chiffres proviennent de l’entreprise et de ses propres évaluations : aucune mesure indépendante n’a encore été publiée, et les conditions précises de chaque test ne sont pas détaillées dans l’annonce.

Pourquoi ces gestes sont-ils si difficiles pour un robot ?

Les tâches retenues par DeepMind ne doivent rien au hasard. Nouer un ruban ou manipuler un tissu suppose de gérer des objets déformables, dont la forme change à chaque mouvement et qu’un programme classique ne sait pas anticiper. Servir des aliments avec une pince demande d’utiliser un outil, donc de contrôler un objet par l’intermédiaire d’un autre. Pipeter un liquide exige une précision au millimètre et une grande délicatesse.

Pour ces gestes fins, le modèle s’appuie sur des mains de plus en plus perfectionnées. DeepMind cite notamment un humanoïde équipé de la main SharpaWave, dotée de cinq doigts et de 22 degrés de liberté, c’est-à-dire 22 articulations pouvant bouger indépendamment. Le modèle fonctionne aussi sur des plateformes plus simples, comme le Franka Duo et ses pinces à deux doigts, selon SiliconANGLE. Cette capacité à passer d’un robot à l’autre sans tout réapprendre est l’un des arguments clés de DeepMind face aux approches spécialisées.

Le test grandeur nature chez Mercedes-Benz

Le passage le plus parlant concerne l’industrie. Avec la société américaine Apptronik et le constructeur Mercedes-Benz, DeepMind a fait travailler des robots humanoïdes Apollo 2 sur des chaînes de production en activité, à Kecskemét, en Hongrie, et à Sindelfingen, en Allemagne.

La tâche choisie s’appelle le « kitting » : trier des pièces détachées, prélevées dans des bacs en vrac, pour les ranger dans des plateaux dans l’ordre exact requis par chaque véhicule de la chaîne. Un travail répétitif et physiquement éprouvant. Le robot attrape des supports métalliques, les dépose dans des conteneurs de séquençage et corrige les éventuels oublis. Sur ce projet pilote, il atteint 96 % de réussite.

« C’est pour cela que nous avons conçu Apollo : un travail utile aux côtés des humains, dans de vrais environnements industriels », explique Jeff Cardenas, cofondateur et patron d’Apptronik. Selon lui, les modèles se sont nettement améliorés en quelques semaines d’entraînement complémentaire et ont été transposés en production chez Mercedes-Benz avec très peu de perte de performance.

La sécurité, condition de la sortie des laboratoires

Un robot qui se déplace dans un atelier ou une maison doit éviter les obstacles et, surtout, les personnes. Gemini Robotics 2.5 utilise un guidage par raisonnement au moment de l’action pour contourner en temps réel les dangers physiques, à la manière des filtres de sécurité qui encadrent les réponses de Gemini.

DeepMind publie aussi un nouveau banc d’essai en open source contre les « jailbreaks » propres à la robotique, ces demandes déguisées qui cherchent à pousser un robot à accomplir une action dangereuse. Il rassemble des centaines de consignes piégées réparties dans des dizaines de scènes. Selon l’entreprise, Gemini 4 Argon y résiste dans 99,5 % des cas, contre 82 % pour la précédente génération de son modèle de raisonnement pour robots.

Qui peut utiliser Gemini Robotics 2.5 ?

Le modèle n’est pas proposé au grand public. Il est déployé auprès des partenaires robotiques de DeepMind, parmi lesquels Apptronik, Agile Robots et Boston Dynamics, selon SiliconANGLE. Les entreprises qui veulent l’utiliser passent donc par ces fabricants de robots, et non par une application ou une API ouverte à tous.

Le même jour, DeepMind a d’ailleurs présenté AlphaGenome 2, un modèle qui prédit comment des variations de l’ADN modifient l’activité des gènes dans différents types de cellules, un outil destiné à la recherche biomédicale et non à un usage clinique. Selon SiliconANGLE, il s’adapte directement à de nouvelles données issues de cellules individuelles, sans réentraînement, et ajoute la prédiction de la méthylation de l’ADN, un mécanisme par lequel l’environnement et le mode de vie influencent l’activité des gènes.

Vers des robots polyvalents à l’usine et ailleurs

Avec cette version, DeepMind affirme franchir une étape vers ce qu’il appelle l'intelligence physique générale : des robots capables d’apprendre rapidement des tâches variées, plutôt que des machines programmées pour un seul geste. L’industrie automobile, où les tâches répétitives de préparation abondent, apparaît comme le premier débouché, l’objectif affiché étant de libérer les techniciens pour les opérations d’assemblage plus complexes.

Plusieurs questions restent ouvertes : le coût d’un humanoïde équipé de ce modèle, sa fiabilité sur des mois de production continue et la manière dont ces robots s’intégreront dans les organisations du travail. La concurrence est vive, entre les laboratoires d’IA et les fabricants de robots humanoïdes. Les prochains déploiements chez les partenaires de DeepMind diront si les gains mesurés en laboratoire se confirment sur le terrain.