Η Google DeepMind παρουσιάζει το Gemini Robotics 2.5 για ρομπότ

Η Google DeepMind της Alphabet Inc. ↘ 0.79% παρουσίασε την Τρίτη, 10 Νοεμβρίου, το Gemini Robotics 2.5. Το εργαστήριο το αποκαλεί το «πιο ικανό μοντέλο όρασης, γλώσσας και δράσης (VLA) μέχρι σήμερα» και ήδη διατίθεται σε συνεργάτες ρομποτικής. Το μεγαλύτερο ενδιαφέρον συγκέντρωσε μια πιλοτική εφαρμογή σε εργοστάσιο με την Apptronik και τη Mercedes-Benz, όπου τα ανθρωποειδή Apollo 2 τοποθέτησαν εξαρτήματα αυτοκινήτων με ποσοστό επιτυχίας 96%. Η DeepMind κυκλοφόρησε επίσης το ASIMOV-Jailbreak, ένα ανοιχτό πρότυπο που ελέγχει αν τα ρομπότ μπορούν να παραπλανηθούν σε μη ασφαλείς ενέργειες.deepmind.google

Βελτιώσεις στην επιδεξιότητα και την ταχύτητα

Η DeepMind αξιολόγησε το μοντέλο σε περισσότερες από 200 εργασίες, όπως το σερβίρισμα φαγητού με τσιμπίδα, το δέσιμο φιόγκου σε κουτί δώρου και η μεταφορά υγρών με πιπέτα. Ανάλογα με το είδος της εργασίας, αναφέρει ποσοστά επιτυχίας 30% έως 100% υψηλότερα από τις προηγούμενες βάσεις αναφοράς και χρόνους ολοκλήρωσης 20% έως 30% ταχύτερους. Το Ars Technica σημείωσε ότι αυτά τα στοιχεία προέρχονται από εργαστηριακές δοκιμές. Επισήμανε επίσης ότι το δέσιμο φιόγκου είναι σημαντικό, καθώς οι κορδέλες και άλλα παραμορφώσιμα αντικείμενα είναι εξαιρετικά δύσκολα για τον χειρισμό από ρομπότ. Το μοντέλο τρέχει στο Apollo 2 της Apptronik, το οποίο διαθέτει χέρι πέντε δακτύλων με 22 βαθμούς ελευθερίας, καθώς και στην πλατφόρμα Franka Duo με λαβίδες δύο δακτύλων.arstechnica.com+2

Πιλοτική εφαρμογή στη γραμμή παραγωγής

Η δοκιμή πραγματοποιήθηκε σε ενεργές γραμμές παραγωγής στο Κέτσκεμετ της Ουγγαρίας και στο Ζίντελφινγκεν της Γερμανίας. Τα ρομπότ Apollo 2 έπαιρναν μεταλλικά στηρίγματα από κάδους και τα τοποθετούσαν σε δίσκους με τη σειρά που απαιτούσε κάθε όχημα. Το Gemini Robotics ER παρακολουθούσε τη ροή εργασίας, ενώ το Gemini Robotics 2.5 έλεγχε τα χέρια και τους βραχίονες. Ο διευθύνων σύμβουλος της Apptronik, Jeff Cardenas, δήλωσε στην ανάρτηση της DeepMind ότι «είδαμε τα μοντέλα να βελτιώνονται δραματικά μέσα σε λίγες εβδομάδες μετά την εκπαίδευση και να μεταφέρονται στην παραγωγή της Mercedes-Benz με ελάχιστη απώλεια απόδοσης».deepmind.google

Το Ars Technica έγραψε ότι το 96% είναι ένα ισχυρό αποτέλεσμα για την τεχνητή νοημοσύνη στη ρομποτική, αλλά πιθανότατα υπολείπεται των αναγκών μιας αυτοκινητοβιομηχανίας, καθώς ένας άνθρωπος που εκτελεί την ίδια επαναλαμβανόμενη εργασία έχει σχεδόν μηδενικό ποσοστό σφάλματος. Ο διευθυντής της DeepMind, Kanishka Rao, δήλωσε στο μέσο ότι η κάλυψη του τελευταίου 4% θα είναι μια «δύσκολη διαδρομή». Η DeepMind χαρακτηρίζει το έργο ως απόδειξη ιδέας και καμία από τις δύο εταιρείες δεν έχει ανακοινώσει αν τα ανθρωποειδή θα παραμείνουν στις γραμμές παραγωγής.madrobot.blog+1

Πρότυπο ασφαλείας

Η DeepMind αναφέρει ότι η νέα καθοδήγηση συλλογισμού κατά τον χρόνο συμπερασμού βελτίωσε την ασφαλή ολοκλήρωση εργασιών κατά 33% γύρω από εμπόδια και κατά 43% γύρω από ανθρώπους. Το ASIMOV-Jailbreak περιέχει εκατοντάδες εντολές που μεταμφιέζουν μη ασφαλή αιτήματα σε δεκάδες σενάρια. Στο πρότυπο, το Gemini 4 Argon της DeepMind παρουσίασε 99,5% αντίσταση σε παραβιάσεις, σε σύγκριση με το 82% του Gemini Robotics ER 2. Το πρότυπο έχει δημοσιευτεί στο Hugging Face.the-decoder.com+1

Το Argon βοήθησε επίσης στην κατασκευή του νέου μοντέλου. Λειτούργησε ως μηχανή προσομοίωσης, δημιουργώντας χιλιάδες δοκιμαστικές διαδρομές και ψηφιακά δίδυμα από πραγματικές σκηνές καμερών. Η DeepMind δήλωσε ότι αυτό επιτρέπει στα ρομπότ να γενικεύουν πιο γρήγορα σε νέες σκηνές και αντικείμενα. Η κυκλοφορία ακολουθεί το Gemini Robotics 2, το οποίο η DeepMind παρουσίασε τον Ιούλιο για να προσφέρει έλεγχο ολόκληρου του σώματος στα ρομπότ.deepmind.google