Google zaprezentowało Gemini Robotics ER 2. Firma twierdzi, że to jej najpotężniejszy model „ucieleśnionego rozumowania” dla robotyki.
Gemini Robotics ER 2 ma sprawić, że roboty będą rozumieć więcej
Sztuczna inteligencja Google to nie tylko aplikacja Gemini na Twoim smartfonie. Google już wcześniej pokazało Gemini Robotics, czyli AI zaprojektowane z myślą o robotach. Natomiast teraz firma pochwaliła się Gemini Robotics ER 2 – rozwiązaniem opisywanym jako przełomowy krok w dziedzinie wyposażania robotów w funkcje rozumienia obrazu, koordynacji zadań i współpracy wielu robotów.
Gemini Robotics ER 2 ma być „nowym mózgiem” dla robotów, który pozwala na komunikację z ludźmi, lepsze rozumienie otoczenia, a także planowanie zadań wieloetapowych. Oczywiście wciąż będzie daleko do tego, co potrafi człowiek, ale roboty mają wyraźnie lepiej funkcjonować w fizycznym świecie.
W założeniach roboty będą wykonywać określone polecenia bez konieczności ręcznego programowania każdego ruchu. To coś więcej niż efektowne filmiki, w których roboty pokonują wcześniej znany tor przeszkód. Wystarczy, że użytkownik wyda naturalną komendę, tak jak drugiemu człowiekowi, a robot wykona zadanie.
Przykładowo robot Spot, zaprojektowany przez Boston Dynamic, może podać paczkę z popcornem po wydaniu komendy w języku naturalnym. To tylko jeden z wielu możliwych scenariuszy, w których robot faktycznie staje się bardziej pomocny, a interakcja z nim dostępna dla każdego.
To wszystko ze znacznie wyższą zręcznością rąk i różnego typu chwytaków. Model może bowiem sterować pięciopalczastą dłonią SharpaWave o 22 stopniach swobody, wykonując delikatne czynności, takie jak wiązanie węzłów czy zamykanie torebek strunowych.
Wśród zalet Gemini Robotics ER 2 wymieniana jest też funkcja, która pozwala robotom „myśleć” o tym, co będzie dalej, przy jednoczesnym wykonywaniu aktualnego zadania. Natomiast ciągła analiza obrazu pozwala na śledzenie postępów, reagowanie na ewentualne problemy oraz roboty mogą „wiedzieć”, kiedy powinny przejść do następnego kroku. Teraz błąd nie oznacza, że całe zadanie trzeba wykonać do nowa – robot może wprowadzić niezbędne poprawki i kontynuować dalszą pracę.
Warto podkreślić, że Gemini Robotics ER 2 może też przekazywać wykonywanie czynności motorycznych dowolnym modelom wizyjno-językowo-działaniowym (VLA) niższego poziomu. Dostępna jest też możliwość natywnego wywoływania wybranych narzędzi, takich jak wyszukiwarka Google, aby znaleźć potrzebne informacje lub wykonać inne funkcje zdefiniowane przez użytkownika.
Roboty mogą działać razem, aby zrealizować złożone zadania
Google, w trakcie prac nad nowym modelem, skupiło się też na współpracy wielu robotów – także robotów różnego typu. Przykładowo można to wykorzystać do zlecenia wspólnej pracy w konkretnej przestrzeni. Ponadto kilka robotów może realizować złożone procesy, których pojedynczy robot nie byłby w stanie wykonać samodzielnie.
Sporo sił włożono w kwestię bezpieczeństwa – Google podaje, że w Gemini Robotics ER 2 udało się osiągnąć znaczące postępy w testach Safety Instruction Following i Human Proximity. Testy te oceniają, jak model przestrzega ograniczeń fizycznych podczas zadań rozumowania oraz jak orientuje się w przestrzeni w celu wykrywania ludzi. Przeprowadzone testy wykazały, że system skutecznie zatrzymuje robota humanoidalnego, gdy w pobliżu znajduje się człowiek. Natomiast, gdy obszar jest już czysty, praca wznawiana jest bez żadnych problemów.
Nowy model „ucieleśnionego rozumowania” dla robotyki jest udostępniany deweloperom za pośrednictwem Gemini API, Google AI Studio, a także na platformie Gemini Enterprise Agent.
