Σύνοψη
- Η Google DeepMind παρουσίασε επίσημα το Gemini Robotics 2, ένα νέο σύστημα τεχνητής νοημοσύνης που επιτρέπει τον ταυτόχρονο και πλήρη έλεγχο ολόκληρου του σώματος των ανθρωποειδών ρομπότ, αντικαθιστώντας τον μέχρι πρότινος περιορισμένο έλεγχο των άνω άκρων.
- Το οικοσύστημα απαρτίζεται από τρία διακριτά μοντέλα (ER 2, Robotics 2 και On-Device 2), τα οποία αναλαμβάνουν τον χωρικό συλλογισμό, τη μετατροπή των οπτικοακουστικών δεδομένων σε φυσική κίνηση και την τοπική επεξεργασία χωρίς σύνδεση στο διαδίκτυο αντίστοιχα.
- Τα νέα συστήματα επιτυγχάνουν εξαιρετικά υψηλά ποσοστά ακρίβειας, αγγίζοντας το 92% σε απαιτητικές εργασίες χειρισμού όπως το βίδωμα μιας λάμπας, ενώ υποστηρίζουν ρομποτικά χέρια 22 βαθμών ελευθερίας.
- Η πλατφόρμα εισάγει δυνατότητες άμεσης επικοινωνίας και συνεργασίας μεταξύ εντελώς διαφορετικών ρομποτικών συστημάτων (π.χ. τροχοφόρα με ανθρωποειδή) στον ίδιο εργασιακό χώρο.
- Η αρχιτεκτονική του Gemini Robotics 2 επιτρέπει την ενσωμάτωση του σε νέα, άγνωστα hardware συστήματα μέσα σε λίγες μόνο ώρες, απαιτώντας λιγότερα από 200 παραδείγματα εκπαίδευσης για την πλήρη προσαρμογή της λειτουργίας του.
Η αυξανόμενη ανάγκη για αξιόπιστα, παραγωγικά και αυτόνομα ρομποτικά συστήματα που μπορούν να αναλάβουν σύνθετες εργασίες σε πραγματικές συνθήκες οδήγησε την Google DeepMind στην παρουσίαση του Gemini Robotics 2, το οποίο αποτελεί το νεότερο ορόσημο στην κατηγορία των vision-language-action (VLA) μοντέλων.
Η συγκεκριμένη τεχνολογική αναβάθμιση μεταβάλλει θεμελιωδώς τον τρόπο με τον οποίο τα ανθρωποειδή ρομπότ αντιλαμβάνονται τον φυσικό χώρο και αλληλεπιδρούν με αυτόν, καθώς καταργεί τον προηγούμενο περιορισμό που αφορούσε την αποκλειστική διαχείριση των βραχιόνων και των χεριών. Η νέα σουίτα τεχνητής νοημοσύνης αναλαμβάνει τον πλήρη έλεγχο του σώματος, ενσωματώνοντας διαδικασίες όπως η διατήρηση της ισορροπίας, η βάδιση, η κάμψη του κορμού και ο ταυτόχρονος συντονισμός των άκρων υπό την ομπρέλα ενός και μόνο κεντρικού συστήματος. Αυτή η ενοποιημένη προσέγγιση εξαλείφει τις καθυστερήσεις που προέκυπταν παλαιότερα από την επικοινωνία πολλαπλών μεμονωμένων αλγορίθμων, προσφέροντας ρεαλιστική και ασφαλή κίνηση σε περιβάλλοντα που δεν είναι αυστηρά δομημένα για μηχανές.
Για να επιτύχει αυτό το εξαιρετικά πολύπλοκο τεχνικό αποτέλεσμα, η Google σχεδίασε την πλατφόρμα βασιζόμενη σε τρία αλληλεξαρτώμενα αλλά διακριτά λειτουργικά μοντέλα, τα οποία συνεργάζονται αρμονικά για να παράγουν την τελική φυσική ενέργεια. Ο κεντρικός πυρήνας λογικής και χωρικού συλλογισμού ονομάζεται Gemini Robotics ER 2 (Reasoning and Planning) και αναλαμβάνει να αναλύει διαρκή ροή βίντεο και ακουστικών ή κειμενικών δεδομένων, ώστε να σχεδιάζει τα διαδοχικά βήματα μιας εργασίας κατανοώντας πότε ξεκινά και πότε ολοκληρώνεται το κάθε στάδιο. Το κυρίως μοντέλο, το Gemini Robotics 2, λειτουργεί ως ο μεταφραστής αυτού του πολύπλοκου συλλογισμού, αναλαμβάνοντας να μετατρέψει τις αποφάσεις σε δυναμικές κινηματικές εντολές που αφορούν κάθε άρθρωση του ανθρωποειδούς. Το πιο εντυπωσιακό ίσως στοιχείο της αρχιτεκτονικής είναι το Gemini Robotics On-Device 2, ένα συμπιεσμένο, ελαφρύτερο μοντέλο δράσης το οποίο εκτελείται απευθείας στο υλικό του ρομπότ, διασφαλίζοντας ότι οι κρίσιμες λειτουργίες ελέγχου των κινητήρων δεν εξαρτώνται από τη συνεχή και αδιάλειπτη σύνδεση στο διαδίκτυο.
Η πρακτική εφαρμογή αυτής της τεχνολογίας αναδεικνύεται ξεκάθαρα μέσα από τις μετρήσεις απόδοσης σε εργασίες λεπτής κινητικότητας, οι οποίες ανέκαθεν αποτελούσαν ένα από τα δυσκολότερα προβλήματα της μηχανικής μάθησης. Οι δοκιμές που πραγματοποίησε η Google σε ρομποτικά χέρια υψηλής πολυπλοκότητας, όπως το σύστημα SharpaWave με τα πέντε δάχτυλα και τους 22 βαθμούς ελευθερίας πάνω στην πλατφόρμα Apollo 2 της Apptronik, καταδεικνύουν την ωριμότητα του λογισμικού. Το μοντέλο κατάφερε να επιτύχει ποσοστό επιτυχίας 92% στο βίδωμα λαμπτήρων, ενώ πραγματοποίησε πρωτοφανείς για τη ρομποτική βιομηχανία εργασίες όπως το δέσιμο ενός κόμπου σε σακούλα απορριμμάτων και το κλείσιμο σακούλας τύπου ziplock, έστω και με χαμηλότερα αλλά άκρως υποσχόμενα ποσοστά (44% και 40% αντίστοιχα). Αν και τα ποσοστά αυτά ενδέχεται να φαίνονται χαμηλά στο ευρύ κοινό, για τον τομέα της βιομηχανικής ρομποτικής αντιπροσωπεύουν ένα τεράστιο τεχνολογικό άλμα όσον αφορά τον μικροέλεγχο της ασκούμενης πίεσης και τον συγχρονισμό των δακτύλων.
Παράλληλα, η ενημέρωση του συστήματος εισάγει μία εντελώς νέα διάσταση στη βιομηχανική παραγωγή μέσω της εγγενούς υποστήριξης λειτουργίας συνεργατικών σμηνών. Το μοντέλο ER 2 αναλαμβάνει τον ρόλο του κεντρικού διαχειριστή, επιτρέποντας σε εντελώς ετερογενή ρομπότ να αναγνωρίζουν το ένα την παρουσία του άλλου και να διαμοιράζονται τα επιμέρους στάδια μιας εργασίας. Μια χαρακτηριστική απεικόνιση αυτής της λειτουργίας αφορά ένα τροχήλατο ρομπότ που αναλαμβάνει την επιθεώρηση του χώρου και τη μεταφορά ενός αντικειμένου, προκειμένου να το παραδώσει σε έναν σταθερό βραχίονα ή σε ένα ανθρωποειδές που διαθέτει την απαραίτητη επιδεξιότητα για τη συναρμολόγηση. Επιπρόσθετα, το μοντέλο αποδεικνύεται εξαιρετικά προσαρμοστικό, καθώς σύμφωνα με τα δεδομένα της Google μπορεί να ρυθμιστεί ώστε να λειτουργεί αποδοτικά σε νέο hardware εξοπλισμό αξιοποιώντας λιγότερα από 200 παραδείγματα επίδειξης και απαιτώντας μόλις λίγες ώρες τοπικής εκπαίδευσης.
Η ασφάλεια παραμένει το κρισιμότερο ζήτημα για την εμπορική αξιοποίηση αυτόνομων μηχανών, και γι' αυτό η εταιρεία ανέπτυξε το πρότυπο αξιολόγησης ASIMOV-Agentic. Αυτό το αυστηρό πλαίσιο δοκιμών αναλαμβάνει να ελέγξει κατά πόσο το σύστημα τεχνητής νοημοσύνης μπορεί να αναγνωρίσει με επιτυχία επικίνδυνες εντολές, να αρνηθεί την εκτέλεση πράξεων που μπορεί να προκαλέσουν υλική ή σωματική βλάβη, και να διακόψει άμεσα κάθε κίνηση εάν εντοπίσει ότι ένας άνθρωπος πλησιάζει απρόσμενα στον χώρο λειτουργίας του ρομπότ.
Η ηγεσία της Google DeepMind και συγκεκριμένα ο Demis Hassabis και η επικεφαλής ρομποτικής Carolina Parada υπογραμμίζουν ότι τέτοιου είδους δικλείδες ασφαλείας είναι απολύτως απαραίτητες όσο πλησιάζουμε προς την εποχή της γενικής φυσικής τεχνητής νοημοσύνης (Physical AGI), διαφοροποιώντας σαφώς τις πραγματικά αυτόνομες επιδείξεις της Google από άλλες παρουσιάσεις του ανταγωνισμού που βασίζονται στην απομακρυσμένη καθοδήγηση από ανθρώπους (teleoperation).
