Google DeepMind Gemini Robotics On-Device + SDK

Le 24 juin 2025, Google DeepMind annonce Gemini Robotics On-Device, son modèle VLA (vision-language-action) le plus puissant optimisé pour tourner localement sur le robot — accompagné d’un Gemini Robotics SDK réservé au programme Trusted Tester.

Le fait

Après Gemini Robotics (mars 2025, hybride on-device + cloud, basé sur Gemini 2.0), DeepMind sort une variante entièrement locale : faible latence, robustesse hors connectivité, ressources de calcul minimales, ciblée bras bi-manuels. Le modèle suit des instructions en langage naturel et exécute des tâches dextres (ouvrir une fermeture éclair, plier du textile, etc.).

Premier VLA DeepMind ouvert au fine-tuning : adaptation à de nouvelles tâches avec 50 à 100 démonstrations. Entraîné sur robots ALOHA, il a été adapté à un Franka FR3 bi-bras et à l’humanoïde Apollo (Apptronik). Le SDK (repo gemini-robotics-sdk / Safari SDK) permet d’évaluer le modèle, de le tester dans le simulateur physique MuJoCo, d’uploader des données et de récupérer un checkpoint fine-tuné. Accès modèle + SDK via liste d’attente Trusted Tester.

DeepMind recommande une couche sémantique via Gemini Live API et des contrôleurs bas niveau pour la sécurité physique ; déploiement initial limité aux testeurs de confiance.

Contexte

La course aux foundation models robotiques (NVIDIA GR00T, stacks open type OpenVLA/π0, etc.) bute sur deux frictions terrain : latence cloud et dépendance réseau. L’on-device répond aux cellules usine / entrepôts où la connectivité est intermittente ou interdite. Le SDK marque aussi un tournant produit : DeepMind ne se contente plus d’une démo labo — il outille l’évaluation et le post-training pour développeurs externes.

Pourquoi ça compte

Signal clair : le VLA « usable » n’est plus seulement cloud-first. Pour les intégrateurs, la promesse few-shot (50–100 démos) et le passage ALOHA → Franka / Apollo réduisent le coût d’adaptation embodiment. Limites : accès fermé (trusted testers), base Gemini 2.0 (la famille Gemini robotique suit généralement d’une version le cœur LLM), et la sécurité reste à reconstruire côté déploiement (Live API + contrôleurs critiques).

Lecture Neurone21

On-device + SDK = doctrine « physical AI » côté Google : inférer au bord, adapter vite, simuler avant de déployer. À surveiller en Europe : conditions d’accès au programme testeurs, capacité à fine-tuner hors stack Google, et concurrence NVIDIA Isaac / Jetson sur le couple modèle + runtime embarqué. La question ouverte n’est plus « un VLA peut-il plier une chemise ? » — c’est « qui industrialise le post-training on-robot sans cloud permanent ? ».

Sources : DeepMind – Gemini Robotics On-Device (24/06/2025) · TechCrunch – Gemini model runs on robots locally · The Verge – on-device AI for robots · GitHub google-deepmind/gemini-robotics-sdk