Roboty od lat budzą zainteresowanie jako urządzenia zdolne wyręczać człowieka w trudnych lub żmudnych czynnościach. Do tej pory wiele z tych maszyn wymagało dokładnego oprogramowania pod kątem zadań, które miały wykonywać, co ograniczało ich elastyczność. Pojawienie się dużych modeli językowych (LLM) i rozwój multimodalnych systemów AI otworzyły jednak drogę do czegoś przełomowego. Google, za sprawą Gemini 2.0, wprowadził Gemini Robotics oraz Gemini Robotics-ER, czyli zestaw modeli AI, które nie tylko "rozumieją" język, ale też potrafią wzrokowo identyfikować otoczenie, planować czynności i bezpośrednio sterować robotami.
