La rigidité cinématique et la fragmentation logicielle freinent l'automatisation. Gemini Robotics 2 de Google DeepMind résout ce blocage en standardisant le cerveau des robots. Grâce à une correction d'erreurs en direct à 91 %, les industriels déploient désormais des flottes autonomes adaptatives en quelques heures seulement, sans développement propriétaire coûteux. En mars 2025, la première génération Gemini Robotics mettait surtout en avant la manipulation sur table et le contrôle du haut du corps. Gemini Robotics 2 élargit ce périmètre au corps entier : marche, flexion, équilibre, préhension et manipulation fine peuvent être coordonnés par un même modèle VLA sur des humanoïdes et d'autres robots bi-bras. La portée stratégique tient aussi à la séparation des rôles. Gemini Robotics ER 2 planifie, suit la progression et appelle des outils ou des contrôleurs existants, tandis que le VLA réalise l'action et que la variante On-Device vise les environnements soumis à des contraintes réseau. Google a testé un même point de contrôle sur plusieurs configurations Apollo 2 et Franka Duo, ce qui suggère une meilleure transférabilité entre morphologies. La comparaison avec Android reste néanmoins une hypothèse éditoriale, pas un standard industriel établi. Le VLA principal est en Private Preview, On-Device 2 reste limité aux testeurs de confiance et Google ne publie encore aucune étude indépendante démontrant un déploiement industriel à grande échelle. Le passage d'une IA confinée aux écrans vers une IA capable de guider des machines dans le monde physique redéfinit notre rapport à l'automatisation. La comparaison avec Android est tentante : Google pourrait chercher à fournir une couche d'intelligence commune à des robots de fabricants différents. Mais il est encore trop tôt pour parler de standardisation, car les modèles d'action ne sont pas ouverts au public et chaque robot conserve ses contraintes mécaniques, ses capteurs et ses contrôleurs. La dépendance au cloud reste un sujet réel pour ER 2, en particulier lorsque vidéo, audio et décisions d'orchestration transitent par une API distante. On-Device 2 apporte une réponse partielle en visant l'exécution locale, mais son accès reste limité. La stratégie la plus robuste consiste donc à réserver au modèle génératif le raisonnement de haut niveau et à conserver localement les réflexes moteurs, les limites physiques et les mécanismes d'arrêt.