Przez lata obietnice dotyczące pomocnych robotów humanoidalnych przypominały wiecznie odtwarzane demo: imponujące przez pół minuty, ale ostatecznie zamknięte w laboratorium, wykonujące jedno, z góry zaprogramowane zadanie. Potrafiły podnieść klocek, owszem, ale poruszanie się po zagraconym pokoju wyglądało, jakby małe dziecko zjadło za dużo cukru. Teraz Google DeepMind wyciąga asa z rękawa, proponując radykalne rozwiązanie: Gemini Robotics 2. To platforma AI, która jest mniej aktualizacją oprogramowania, a bardziej kompletnym przeszczepem mózgu dla robotów każdego kształtu i rozmiaru.
Koncepcja jest zwodniczo prosta: stworzyć ujednoliconą „warstwę inteligencji”, która da każdemu robotowi zdolność postrzegania, rozumowania i działania w chaotycznym, nieprzewidywalnym świecie ludzi. Nie chodzi tu tylko o precyzyjniejszą kontrolę ruchów pojedynczego ramienia; Google mówi o „inteligencji całego ciała” (full body intelligence). Po raz pierwszy jeden model AI został zaprojektowany, by kontrolować humanoida od stóp do głów, koordynując równowagę, lokomocję i manipulację w jednym, płynnym procesie. To różnica między programowaniem stawów robota a daniem mu własnego umysłu.
Trójgłowy Cerber AI
W sercu Gemini Robotics 2 nie ma jednego, lecz trio wyspecjalizowanych modeli, które działają w idealnej harmonii. Można to sobie wyobrazić jako strukturę dowodzenia, która ma za zadanie realizować cele w świecie fizycznym.
Po pierwsze, jest sam Gemini Robotics 2 – główny model wizyjno-językowo-akcyjny (VLA). To nasz niezawodny koń roboczy, który tłumaczy wysokopoziomowe polecenia, takie jak „postaw konewkę na dolnej półce”, na złożoną sekwencję sterowania silnikami, niezbędną do chodzenia, schylania się, utrzymywania równowagi i umieszczania obiektu.
Po drugie, mamy Gemini Robotics ER 2, czyli model „Ucieleśnionego Rozumowania” (Embodied Reasoning). To prawdziwy strateg. Nieustannie analizuje strumień wideo z otaczającego świata, by zrozumieć kontekst, zaplanować wieloetapowe zadania, a nawet skorygować kurs, gdy coś pójdzie nie tak. Jeśli główny model jest ciałem, ER 2 to wysokopoziomowy mózg, który najpierw rozpracowuje co należy zrobić, zanim VLA zajmie się jak. Potrafi nawet korzystać z zewnętrznych narzędzi, takich jak Google Search, by uzupełnić swoje plany.
Wreszcie, On-Device 2 – prawdziwy mistrz szybkiej adaptacji. Ten lekki model VLA jest zoptymalizowany do działania lokalnie na sprzęcie robota, ale jego zabójcza funkcja to zdolność do adaptacji. Google twierdzi, że można go przystosować do całkowicie nowego korpusu robota – z różnymi czujnikami, stawami i mechaniką – w zaledwie kilka godzin, wykorzystując mniej niż 200 demonstracji. To monumentalny krok milowy, odrywający nas od tradycyjnego, sprzętowo-specyficznego rozwoju AI, który nękał branżę przez dziesięciolecia.
Poza stołem warsztatowym, w świat
Prawdziwym sprawdzianem dla każdej sztucznej inteligencji w robotyce jest jej zdolność do radzenia sobie z zadaniami wymagającymi większej finezji niż linia montażowa w fabryce. Gemini Robotics 2 został wyraźnie zaprojektowany, by wyjść poza laboratoryjny stół i zmierzyć się ze złożonymi scenariuszami w realnym świecie. Dema pokazują nowy poziom zręczności: od sterowania pięciopalczastą dłonią o 22 stopniach swobody, by odkręcić żarówkę (z 92% skutecznością), po zawiązanie węzła w worku na śmieci (skromniejsze 44% skuteczności).
Ten skok w możliwościach stał się możliwy dzięki zintegrowaniu całego ciała w proces decyzyjny. W testach z humanoidem Apptronik Apollo 2, robot osiągnął 76,3% skuteczności w pobieraniu przedmiotów z półki – zadaniu, które wymaga skoordynowanego chodzenia, utrzymywania równowagi, sięgania i chwytania.
Ale być może najbardziej perspektywiczną cechą jest współpraca wielu robotów. Gemini Robotics ER 2 może działać jako centralny koordynator, dzieląc zadania między całkowicie różne typy robotów. Wyobraźmy sobie humanoida takiego jak Apollo podającego przedmiot mobilnemu robotowi kołowemu do transportu, gdzie każdy rozumie swoją rolę w większym procesie. To właśnie tutaj ambicja platformy staje się krystalicznie czysta: stworzyć wspólny język, by maszyny mogły ze sobą współpracować.
Android dla robotów?
Wraz z Gemini Robotics 2, Google dokonuje strategicznego posunięcia, by stać się fundamentalnym systemem operacyjnym dla następnej generacji sprzętu. Tworząc potężną, adaptowalną sztuczną inteligencję, która teoretycznie może działać na każdej maszynie, pozycjonują się jako dostawca „mózgu” dla rozkwitającego ekosystemu robotycznych „ciał”.
Dla deweloperów i badaczy dobra wiadomość jest taka, że części tego potężnego nowego narzędzia są już dostępne. Gemini Robotics ER 2 jest teraz udostępniony deweloperom za pośrednictwem Gemini API i Google AI Studio, co pozwala im rozpocząć budowanie aplikacji wykorzystujących jego zaawansowane możliwości rozumowania. Otwiera to drzwi szerszej społeczności do eksperymentowania z planowaniem wieloetapowym i rozumieniem wideo z realnego świata w swoich własnych projektach robotycznych.
Oczywiście, przepaść między oszałamiającym demo a naprawdę użytecznym, niezawodnym robotem pozostaje ogromna. Prawdziwy świat jest nieskończenie bardziej chaotyczny niż kontrolowane laboratorium. Ale koncentrując się na uogólnionej inteligencji, która potrafi się uczyć, adaptować i współpracować, Google DeepMind buduje most. Nie chodzi im tylko o stworzenie mądrzejszego robota; próbują stworzyć plan, dzięki któremu wszystkie roboty staną się inteligentniejsze. I po raz pierwszy, wydaje się, że te wszystkie pokazowe nagrania wreszcie zaczynają doganiać rzeczywistość.