جمنای روبوتیکس ۲ (Gemini Robotics 2) نسل تازه‌ای از مدل‌های گوگل دیپمایند برای رباتیک است که کنترل سراسر بدن، مهارت انگشتی و همکاری چندرباتی را به رباتها می‌آورد. این خانواده از سه مدل جداگانه ساخته شده و بخش استدلالی آن همین حالا در دسترس است. هدف، عبور از ربات‌های از پیش برنامه‌ریزی‌شده و رسیدن به ماشین‌هایی است که خودشان یاد بگیرند و با محیط‌های پیش‌بینی‌ناپذیر کنار بیایند.
سه مدل، سه نقش متفاوت
گوگل دیپمایند این نسخه را نه به‌شکل یک مدل واحد، بلکه در قالب سه مدل با وظایف مشخص معرفی کرده است:
- جمنای روبوتیکس ۲: پیشرفته‌ترین مدل بینایی-زبان-عمل (VLA) این مجموعه که ورودی تصویری و زبانی را به کنترل موتور تبدیل می‌کند. این مدل میتواند کل بدن یک انسان‌نما را از کف پا تا نوک انگشتان و همچنین ربات‌های دوربازو را کنترل کند.
- جمنای روبوتیکس ای‌آر ۲ (Gemini Robotics ER 2): توانمندترین مدل استدلال تجسمیافته (ER) شرکت که از خانوادهٔ مدل‌های بینایی-زبانی (VLM) است. این مدل نقش عامل را بازی می‌کند؛ با انسان گفتگو می‌کند، جهان فیزیکی را می‌فهمد و کارهای چندمرحله‌ای چنددقیقه‌ای را برنامهریزی می‌کند. امکان همکاری تیمی رباتها هم در همین نسخه اضافه شده است.
- جمنای روبوتیکس آن‌دیوایس ۲ (Gemini Robotics On-Device 2): کارآمدترین مدل بینایی-زبان-عمل مجموعه که برای اجرای محلی روی دستگاه‌های رباتیک بهینه شده و میتواند با چند ساعت داده به بدنهای رباتیک کاملاً تازه سازگار شود.
از نظر دسترسی، مدل استدلالی Gemini Robotics ER 2 اکنون در گوگل ای‌آی استودیو (Google AI Studio) و در پیش‌نمایش خصوصی روی جمینی اینترپرایز ایجنت پلتفرم (Gemini Enterprise Agent Platform) عرضه شده است. دو مدل دیگر فعلاً در اختیار شرکای دسترسی زودهنگام قرار دارند. جزئیات فنی مدل استدلالی را می‌توانید در نوشتهٔ Gemini Robotics ER 2 بخوانید.
کنترل سراسر بدن؛ از کف پا تا نوک انگشتان
جهان اطراف ما برای حرکت انسان ساخته شده است: باید خم شویم، دست دراز کنیم و در فضاهای تنگ و شلوغ تعادل خود را حفظ کنیم. مدل‌های پیشین این شرکت تنها بخش بالاتنهٔ انسان‌نما را برای کارهای روی میز کنترل می‌کردند. Gemini Robotics 2 این محدوده را به حرکت سراسر بدن گسترش می‌دهد.
به گفتهٔ گوگل، این نخستین باری است که مدلشان میتواند کل یک ربات انسان‌نما را کنترل کند و قصد را به حرکت هماهنگ کل بدن ترجمه کند. نمونهٔ اعلام‌شده، کنترل ربات انسان‌نمای آپولو ۲ (Apollo 2) ساخت شرکت اپترونیک (Apptronik) است: به ربات دستور داده می‌شود آبپاش را در سبد سبز روی قفسهٔ پایین بگذارد. آپولو فرمان را پردازش می‌کند، تا میز راه می‌رود، آبپاش را برمی‌دارد، چند قدم به سمت قفسه‌ها می‌رود و آن را دقیق در مقصد می‌گذارد.
گوگل خودش تأکید می‌کند که سرعت حرکت این رباتها هنوز جای پیشرفت دارد، اما این گام را نقطهٔ مهمی برای کارهای پیچیده‌تری می‌داند که به هماهنگی سراسر بدن نیاز دارند.
مهارت تازه در دست‌ها و گریپرها
برای اینکه رباتها در خانه و محل کار واقعاً به کار بیایند، به ظرافت نیاز دارند. Gemini Robotics 2 سطح تازه‌ای از مهارت فیزیکی را روی عملگرهای مختلف باز می‌کند، چه ربات از دست پنج‌انگشتی استفاده کند و چه از گریپر.
این مدل میتواند دست شارپاویو (SharpaWave) با پنج انگشت و ۲۲ درجه آزادی را روی ربات آپولو ۲ کنترل کند تا کارهای ظریفی مثل گره‌زدن یا بستن کیسهٔ زیپ‌دار انجام شود. همچنین میتواند گریپرهای موازی دوانگشتی روی پلتفرم فرانکا دوئو (Franka Duo) را برای کارهای پیچیده مانند بسته‌بندی فشرده به کار بگیرد.
با این حال، گوگل می‌گوید تلاش برای رسیدن به سطح دقت و سرعت مهارت انسانی ادامه دارد و این مسیر تمام‌شده نیست.
استدلال عاملی و همکاری چندرباتی
بیشتر کارهای دنیای واقعی چند مرحله دارند و در بازه‌ای طولانی انجام می‌شوند. برای مدیریت این پیچیدگی، مدل استدلال تجسمیافته نقش مغز سطح بالای ربات را می‌گیرد: فرمان کاربر را می‌گیرد، اتاق را می‌بیند، دربارهٔ مراحل لازم استدلال می‌کند، با مدل بینایی-زبان-عمل برای اجرای حرکات هماهنگ می‌شود و تا پایان کار پیشرفت را پیگیری می‌کند. نتیجه این است که ربات میتواند کارهای چندمرحله‌ای انجام دهد، در صورت شکست یک مرحله خودش را اصلاح کند و به موقعیت‌ها و اهداف تازه تعمیم بدهد.
در این به‌روزرسانی، رباتها می‌توانند دنباله‌های طولانی‌تری را با اطمینان بیشتری اجرا کنند؛ دنباله‌هایی که چند دقیقه طول می‌کشند و صدها تصمیم در خود دارند. Gemini Robotics ER 2 حالا می‌فهمد کار از کجا شروع و کجا تمام می‌شود و میتواند لحظهٔ وقوع رویدادهای کلیدی را مشخص کند؛ تغییری مهم در فهم پیشرفت کار.
افزون بر این، همکاری چندرباتی معرفی شده است؛ یعنی انواع مختلف رباتها می‌توانند با هم ارتباط بگیرند و جریان‌های کاری پیچیده‌ای را حل کنند که یک ربات به‌تنهایی از عهدهٔ آن‌ها برنمی‌آید.
سازگاری سریع مدل روی دستگاه
بسیاری از کاربردهای رباتیک باید بدون تأخیر شبکه یا اتصال اینترنت کار کنند. Gemini Robotics On-Device 2 دقیقاً برای همین محدودیت‌ها ساخته شده و کارآمدترین مدل بینایی-زبان-عمل این خانواده است.
این مدل به‌صورت ذاتی چندبدنه‌ای است و تکنیک‌های «انتقال حرکت» را از Gemini Robotics 1.5 به ارث برده است. به گفتهٔ گوگل، سازگار کردن آن با بدنهای تازهٔ دوربازو تنها چند ساعت زمان می‌برد و معمولاً کمتر از ۲۰۰ نمونه داده لازم دارد. این سازگاری حتی برای بدن‌هایی با شکل، حس‌گرها و درجات آزادی کاملاً متفاوت هم کار می‌کند؛ پلتفرم‌های دکس‌میت (Dexmate)، اس‌او۱۰۱ (SO101) و تروسِن (Trossen) نمونه‌هایی از همین کاربردها هستند.
برخلاف آن، مدل‌های VLA معمول برای اجرا به ارتباط شبکه‌ای وابسته‌اند و انتقال مهارت‌های آموخته‌شده از یک بدن رباتیک به بدنی دیگر کاری دشوار بوده است.
ایمنی رباتها و مسیر هوش فیزیکی عمومی
گوگل ایمنی را پایهٔ پژوهش‌های رباتیک خود می‌داند و می‌گوید با هر انتشار، رویکردی چندلایه از تدابیر ایمنی فیزیکی سنتی تا چارچوب‌های ایمنی هوش مصنوعی را در پیش گرفته است. به گفتهٔ این شرکت، Gemini Robotics 2 گامی مشخص در ایمنی رباتها برای مواجهه با عدم‌قطعیت دنیای واقعی و همکاری در کنار انسان‌ها محسوب می‌شود.
در همین راستا سنجهای تازه با نام ASIMOV-Agentic برای ارزیابی و مدیریت ایمنی عاملی و رفع عدم‌قطعیت معرفی شده است. این سنجه مثلاً توانایی عامل استدلال تجسمیافته در رد فراخوانهای ناایمن ابزار از سوی مدل بینایی-زبان-عمل را میسنجد. همچنین توانایی عامل در پیشبینی امکانپذیری یک کار و درخواست فعالانهٔ مداخلهٔ انسان در شرایط تردید ارزیابی می‌شود.
گوگل می‌گوید Gemini Robotics ER 2 با استدلال تجسم‌یافتهٔ بهتر، ایمن‌ترین مدل رباتیک این شرکت تا امروز در پیروی از محدودیت‌های ایمنی و در سنجه‌های نزدیکی انسان است. این مدل میتواند حضور انسان در نزدیکی را بهتر تشخیص دهد، فراخوانهای ایمنی را فعال کند و اگر کسی بیش از حد نزدیک شود ربات را به توقف ایمن برساند؛ الزامی کلیدی در استانداردهای ایمنی همکاری. برای جزئیات بیشتر، گوگل به گزارش فنی ایمنی Gemini Robotics 2 ارجاع داده است.
در نگاه کلان‌تر، گوگل این نسخه را نقطه‌عطفی در مسیر حل هوش مصنوعی عمومی در جهان فیزیکی می‌داند. به باور این شرکت، آزاد کردن ظرفیت واقعی رباتیک نیازمند عبور از خودکارسازی تک‌وظیفه‌ای و حرکت به سمت هوش همه‌منظوره است؛ هوشی که بتواند در کنار انسان‌ها کار کند و مسائل پیچیده را حل کند.
پرسش‌های متداول
Gemini Robotics 2 از چه مدلهایی تشکیل شده است؟
این خانواده سه مدل دارد: Gemini Robotics 2 بهعنوان مدل بینایی-زبان-عمل (VLA) برای کنترل حرکات، Gemini Robotics ER 2 بهعنوان مدل استدلال تجسمیافته و برنامهریزی، و Gemini Robotics On-Device 2 برای اجرای محلی روی خود ربات.
کدام‌یک از مدل‌های این خانواده همین حالا در دسترس است؟
مدل استدلالی Gemini Robotics ER 2 اکنون در Google AI Studio و در پیش‌نمایش خصوصی روی Gemini Enterprise Agent Platform در دسترس است. دو مدل VLA و On-Device فعلاً فقط برای شرکای دسترسی زودهنگام عرضه شده‌اند.
ربات چقدر سریع میتواند با یک بدن تازه سازگار شود؟
بر اساس اعلام گوگل دیپمایند، Gemini Robotics On-Device 2 با چند ساعت داده و معمولاً کمتر از ۲۰۰ نمونه میتواند به بدنهای رباتیک دوربازوی تازه، حتی با شکل و حسگرهای کاملاً متفاوت، سازگار شود.
گوگل برای ایمنی رباتها چه سنجهای معرفی کرده است؟
سنجهای به نام ASIMOV-Agentic که توانایی عامل استدلالی در رد فراخوانهای ناایمن ابزار، پیشبینی امکانپذیری یک کار و درخواست فعالانهٔ مداخلهٔ انسان در شرایط تردید را میسنجد.
منبع: Google DeepMind
