Гугл ДипМајнд је направио огроман корак напред у роботици лансирањем Џемини Роботикс 2, свог најнапреднијег модела вида, језика и акције . Овај нови слој интелигенције обећава да ће трансформисати роботе у истински прилагодљиве машине, способне да расуђују о сваком покрету и извршавају сложене задатке у реалним окружењима. Компанија га представља као универзални мозак који се може инсталирати на било коју врсту роботског хардвера, од индустријских руку до потпуних хуманоида.
Систем је структуриран око три специјализована модела који раде заједно. Прво, VLA (Визија, Језик и Акција) модел преводи инструкције у физичке покрете. ER 2 модел делује као мозак вишег нивоа, планирајући задатке и комуницирајући са људима. А On-Device 2 модел је оптимизован за локално покретање на роботу, без ослањања на интернет везу. Ова архитектура омогућава роботу да размишља и делује истовремено , елиминишући паузе које су биле уобичајене у сличним системима.
Три модела за потпуну роботску интелигенцију
Модел вида, језика и акције (VLA) је одговоран за директно управљање телом робота. По први пут, може да управља комплетним хуманоидима, од прстију на ногама до руку , омогућавајући им да ходају, чуче, истежу се и манипулишу предметима са спретношћу. У тестовима, показао је 90% тачности у задацима уметања роботским хватаљкама и 92% тачности у одвртању сијалица рукама са пет прстију и 22 степена слободе.
С друге стране, модел Gemini Robotics ER 2 фокусира се на интегрисано резоновање. Он делује као агент који посматра своје окружење, планира вишестепене секвенце и координира се са VLA да би их извршио . Може да користи екстерне алате попут Google претраге када су му потребне додатне информације и способан је да анализира видео у реалном времену како би пратио напредак задатка. Према Google-у, овај модел постиже тачност од 57,4% у процени напретка и 91,3% тачности у идентификовању кључних догађаја, са маргином грешке мањом од једне секунде.
Трећи модел, Gemini Robotics On-Device 2, дизајниран је за рад ван мреже. Може се прилагодити потпуно новом роботу за само неколико сати, обучавајући га са мање од 200 примера . Ово га чини идеалним за окружења где су латенција или приватност критични, као што су фабрике или повезани уређаји у приватним кућама.
Потпуна контрола тела и невиђена спретност
Једна од најупечатљивијих нових карактеристика је контрола целог тела. Док су претходни модели контролисали само горњи део робота за задатке на столу, Gemini Robotics 2 проширује физичку вештачку интелигенцију на покрете целог тела. Роботи сада могу да ходају, чуче, истежу се и манипулишу предметима док планирају сложене акције . У демонстрацијама, Apptronikov робот Apollo 2, опремљен SharpaWave рукама, био је у стању да организује полице и везује чворове са потпуном прецизношћу.
Фине моторичке вештине су се такође значајно побољшале. Модел може да контролише паралелне хватове са два прста за задатке који захтевају снагу, као и руке са пет прстију за деликатне радње. Демонстриране вештине укључују затварање кеса, везивање чворова, одвртање сијалица и склапање малих делова . Гугл је објавио податке који подржавају ове могућности: прецизни задаци уметања постижу стопу успеха од 90%, а задаци одвртања стопу успеха од 92%.
Сарадња између робота и резоновање у реалном времену
Још једна велика иновација је могућност координације више робота у истом радном простору. Gemini Robotics ER 2 омогућава различитим типовима машина да деле заједничко разумевање свог окружења и поделе задатке . У једном тесту, робот Franka F3 Duo је постављао предмете у кутије, док их је хуманоид из мисије Apollo 2 постављао на полицу. Према компанији Google, ниједан од њих не би могао сам да заврши задатак, али радећи заједно су га успешно завршили.
Систем такође укључује праћење напретка у реалном времену. Кроз континуирану анализу видеа који је снимио робот, модел класификује сваки кадар на скали од пет нивоа, од почетка до завршетка активности. Уколико се појави неочекивани проблем, робот може да одреди тачну локацију квара и да настави одатле након што га исправи , без потребе за поновним покретањем целог тока рада. Ово представља значајно побољшање у односу на претходне верзије, где је свака грешка захтевала почетак од нуле.
Безбедност и доступност за програмере
Гугл је посебан нагласак ставио на безбедност ове нове генерације. Модел укључује вишеслојни приступ са робусним оквирима заштите и новим алатом за процену под називом ASIMOV-Agentic , који мери да ли роботи одбијају опасне команде, детектују неизвесне ситуације и заустављају се када се особа превише приближи. У демонстрацијама, систем је био у стању да аутоматски заустави кретање хуманоидног робота након што открије човека у његовом радном подручју и настави активност када се подручје очисти.
Gemini Robotics ER 2 је сада доступан програмерима путем Gemini API-ја, Google AI Studio-а и у приватној претпровери на Gemini Enterprise Agent Platform-у. Међутим, модели VLA и On-Device 2 су доступни само партнерима са раним приступом . Google очекује да ће ова технологија убрзати усвајање робота у секторима као што су логистика, производња и кућна аутоматизација, где су свестраност и безбедност кључне.
Комбинација континуираног резоновања, еколошке свести, вишестепеног планирања, сарадње робота и интеграције са спољним алатима позиционира Gemini Robotics 2 као један од најнапреднијих развоја DeepMind-а до сада. Овим издањем, Google појачава своју посвећеност физичкој вештачкој интелигенцији, циљајући да омогући роботима да обављају било који задатак који би човек урадио, од пуњења машине за прање судова до рада у фабрици, све са флуидношћу и безбедношћу неопходном за коегзистенцију са људима.
