Google DeepMind met des humanoïdes au tri des pièces chez Mercedes, avec 96% de réussite

Sur deux chaînes de montage Mercedes-Benz en pleine production, à Kecskemét, en Hongrie, et à Sindelfingen, en Allemagne, un humanoïde blanc nommé Apollo 2 plonge la main dans des bacs de supports métalliques et les dépose dans des plateaux, dans l'ordre exact dont chaque voiture a besoin. Il a réussi 96% du temps. Le logiciel qui guide ses mains s'appelle Gemini Robotics 2.5, présenté par Google DeepMind le 10 novembre et en cours de déploiement chez ses partenaires en robotique. Pour les usines qui peinent à pourvoir les postes de préparation répétitifs, c'est l'un des signes les plus nets à ce jour qu'un modèle robotique généraliste peut sortir du laboratoire.

La corvée derrière chaque voiture de la chaîne

Cette tâche s'appelle le kitting. Avant qu'une voiture n'arrive à chaque poste, quelqu'un doit prendre des pièces une à une dans de grands bacs et les ranger dans des plateaux de séquençage, dans l'ordre précis où la chaîne va les utiliser. C'est la version industrielle de la mise en place d'un chef, répétée pour chaque véhicule pendant toute la journée de travail, et c'est un travail physiquement éprouvant.

Dans cette preuve de concept, deux modèles Gemini se partagent le travail. Gemini Robotics ER, le modèle de raisonnement incarné de DeepMind, suit le déroulement des opérations, tandis que le modèle d'actions de Gemini Robotics 2.5 pilote les mains et les bras d'Apollo quand il plonge dans les bacs, saisit les supports métalliques et remplit les conteneurs, en comblant les manques au fur et à mesure.

Jeff Cardenas, PDG d'Apptronik, l'entreprise qui fabrique Apollo, explique que les modèles ont progressé de façon spectaculaire en quelques semaines de post-entraînement et sont passés à la production de Mercedes-Benz presque sans perte.

“C'est pour cela que nous avons construit Apollo: un travail utile aux côtés des humains, dans de vrais environnements industriels.”— Jeff Cardenas

Alors, comment un seul modèle en apprend-il assez pour s'en sortir dans une usine automobile, sur un plan de travail de cuisine et sur une paillasse de laboratoire?

200 tâches, du ruban de cadeau à la pipette

DeepMind a testé Gemini Robotics 2.5 sur plus de 200 tâches distinctes, choisies pour pousser les doigts d'un robot dans leurs retranchements: servir des plats avec une pince, nouer un ruban sur une boîte cadeau, pipeter un liquide. Chacune mêle l'usage d'outils et des objets délicats ou souples, précisément là où les robots programmés pour un seul geste fixe atteignent leurs limites.

Par rapport aux modèles précédents, le nouveau réussit de 30% à 100% plus souvent selon le type de tâche, et termine de 20% à 30% plus vite. Il fonctionne aussi sur des corps très différents: Apollo 2, avec sa main SharpaWave à cinq doigts et 22 degrés de liberté, et la plateforme Franka Duo, dotée de simples pinces à deux doigts.

Une grande partie de cette accélération vient d'un autre modèle. DeepMind a utilisé Gemini 4 Argon comme moteur de simulation: à partir d'une seule scène filmée par une vraie caméra, il peut construire un jumeau numérique réaliste et générer des milliers d'essais variés, combinés ensuite à de vraies démonstrations. Argon peut aussi regarder la vidéo d'une tentative ratée, proposer une explication et aider à tester des corrections en simulation comme sur de vrais robots.

Un robot qui apprend aussi vite travaillera bientôt près des humains, et c'est à cette question que DeepMind a consacré la suite de son annonce.

Un robot qui contourne les humains et refuse les ordres dangereux

Gemini Robotics 2.5 raisonne sur les dangers physiques pendant qu'il agit, une couche de guidage que DeepMind compare aux classificateurs de sécurité qui entourent les réponses de Gemini dans le chat. Lors de ses évaluations, cela a augmenté l'exécution sûre des tâches de 33% près d'obstacles et de 43% près de personnes.

Le laboratoire a aussi publié ASIMOV-Jailbreak, un banc d'essai open source avec des centaines d'instructions qui déguisent des demandes dangereuses dans des dizaines de scènes. Gemini 4 Argon a résisté à 99,5% d'entre elles, contre 82% pour le modèle précédent, Gemini Robotics ER 2. Tous ceux qui construisent des robots peuvent désormais tester leurs propres modèles sur le même ensemble.

Ce qui reste à résoudre, c'est le passage à l'échelle. Le travail avec Mercedes-Benz est une preuve de concept sur deux chaînes, et le modèle arrive d'abord chez les partenaires de DeepMind; le laboratoire a remercié les équipes d'Agile, d'Apptronik et de Mercedes-Benz pour leur soutien. Le rythme, lui, est encourageant: le premier modèle Gemini Robotics est apparu en mars 2025 et, vingt mois plus tard, son successeur remplit des plateaux de pièces sur de vraies chaînes automobiles.

La prochaine fois qu'une voiture sortira d'une chaîne de Sindelfingen, certains de ses supports auront peut-être été posés par un robot qui a appris le métier en quelques semaines.