Gemini Robotics ER 2 تازه‌ترین مدل «استدلال تجسم‌یافته» گوگل برای رباتیک است؛ مدلی که به‌جای کنترل مستقیم موتورها، مثل مغزی سطح بالا فکر میکند، محیط فیزیکی را میفهمد و وظایف چندمرحلهای را می‌چیند. این مدل که با فاصلهٔ کمی از نسخهٔ پیشین خود، Gemini Robotics ER 1.6، عرضه شده، درک ویدیو، هماهنگی وظایف و همکاری چند ربات را یک گام جلو می‌برد.
Gemini Robotics ER 2 دقیقاً چه کاری انجام میدهد؟
گوگل این مدل را یک «مغز سطح بالا» برای ربات‌ها توصیف میکند. وظیفهٔ آن سه چیز است: گفتگو با انسان، فهم جهان فیزیکی و برنامهریزی وظایفی که چند مرحله دارند. پس از برنامهریزی، اجرای حرکتی به یک مدل پایینسطح بینایی-زبان-عمل (Vision-Language-Action یا VLA) سپرده میشود.
نکتهٔ مهم دیگر این است که Gemini Robotics ER 2 می‌تواند ابزارها را به‌صورت بومی صدا بزند؛ از جست‌وجوی گوگل برای پیدا کردن اطلاعات گرفته تا هر تابعی که خود توسعه‌دهنده تعریف میکند. طراحی مدل هم طوری است که ربات بتواند هم‌زمان با انجام حرکت، دربارهٔ مرحلهٔ بعدی «فکر» کند.
به گفتهٔ پنگ شو (Peng Xu)، مهندس نرم‌افزار ارشد گوگل، این نسخه می‌تواند با تماشای جریان ویدیوی پیوسته، پیشرفت خودش را پیگیری کند، وقتی چیزی اشتباه پیش می‌رود مسیر را تغییر دهد و بداند دقیقاً چه زمانی باید به مرحلهٔ بعد برود. همکاری چندرباتی هم قابلیت تازهٔ همین نسخه است.
هماهنگی ابزارها، سرعت اجرا و نمونهٔ Spot
برای ساختن یک سیستم عامل‌گونه (agentic) در دنیای فیزیکی، توسعه‌دهنده می‌تواند واسط‌های کنترل پایینسطح — مثل مدل‌های VLA یا رابط‌های برنامه‌نویسی ناوبری — را به‌عنوان ابزار معرفی کند و ویدیو، صدا یا متن چندوجهی را مستقیم به مدل بفرستد. گوگل عملکرد این گردش‌کار را در سه حالت کنترل سنجیده است: VLA واقعی، VLA شبیه‌سازی‌شده و کنترل از راه دور توسط انسان.
در هر سه حالت، Gemini Robotics ER 2 از ER 1.6 بهتر عمل کرده است. بخشی از این بهبود به سرعت مربوط میشود: این مدل در Gemini Live API ادغام شده و از یک نقطهٔ پایانی جریان‌دهی دوسویه استفاده میکند که برای کارهای حساس به تأخیر بهینه شده است. نتیجه، هماهنگی روانی است که در آن فرمان‌ها بدون توقف‌های آزاردهندهٔ «بایست و فکر کن» اجرا می‌شوند.
| معیار | نتیجهٔ Gemini Robotics ER 2 |
|---|---|
| طبقه‌بندی پیوستهٔ پیشرفت کار | دقت 57.4% |
| یافتن لحظهٔ دقیق رخداد | دقت 91.3% و میانگین فاصلهٔ مطلق 0.96 ثانیه |
گوگل برای نمایش این توانایی، ربات Spot را از شرکت Boston Dynamics با Gemini Robotics ER 2 هماهنگ کرده است؛ Spot با یک فرمان زبان طبیعی، اشیا را برای کاربر می‌آورد. کد این نمونه در GitHub منتشر شده است.
درک زمان: پیگیری پیشرفت و یافتن لحظهٔ دقیق
یکی از سخت‌ترین چالش‌های رباتیک، دانستن لحظهٔ پایان کار است. Gemini Robotics ER 2 برای کارهایی مثل بستن درست یک لامپ یا گره زدن کیسهٔ زباله، قبل از رفتن به کار بعدی بررسی میکند که کار قبلی طبق مشخصات تمام شده باشد. گوگل روی دو توانایی پایه در این مسیر کار کرده است.
طبقه‌بندی پیوستهٔ پیشرفت
در این سنجش، هر فریم از ویدیو به پنج سطح پیشرفت (۰ تا ۲۰ درصد، ۲۰ تا ۴۰، ۴۰ تا ۶۰، ۶۰ تا ۸۰ و ۸۰ تا ۱۰۰ درصد) نسبت داده میشود. گوگل میگوید Gemini Robotics ER 2 در این وظیفه به دقت 57.4 درصد رسیده و از نسل قبل و مدل‌های پیشروی رقیب جلوتر است. فایدهٔ عملی آن، آگاهی لحظه‌ای ربات از موقعیت کار و توانایی تنظیم یا تکرار یک مرحلهٔ ناموفق، بدون شروع دوبارهٔ کل فرایند است.
یافتن لحظهٔ دقیق
«یافتن لحظه» توانایی تشخیص فریم دقیقی است که یک رخداد حساس در آن اتفاق می‌افتد؛ مثلاً همان لحظه‌ای که باید ریختن قهوه در فنجان متوقف شود. Gemini Robotics ER 2 در این وظایف به دقت 91.3 درصد و میانگین فاصلهٔ مطلق 0.96 ثانیه رسیده است. گوگل تأکید میکند این دقت با هزینهٔ محاسباتی بخش کوچکی از مدل‌های بسیار بزرگ‌تر و با سرعت اجرای چهار برابر به دست آمده؛ همان تأخیر زیر یک ثانیه‌ای که برای کار ایمن در دنیای واقعی لازم است.
همکاری چندرباتی: تقسیم کار میان ماشین‌های متفاوت
هیچ ربات واحدی برای همهٔ کارها مناسب نیست؛ یک ربات چرخ‌دار در فضای بسته خوب عمل میکند و ربات انسان‌نما در زمین ناهموار. قابلیت همکاری چندرباتی به ماشین‌های متفاوت اجازه میدهد با یک درک معنایی مشترک با هم ارتباط بگیرند و کارهای پیچیده را بین خودشان جابهجا کنند و به پایان برسانند. گوگل نمونه‌ای از همکاری ربات Apollo 2 از Apptronik و Franka F3 Duo را نشان داده است.
هوش فضایی عمومی و خواندن ابزارها
گوگل پیشرفت این نسخه در استدلال فضایی را با سه معیار سنجیده است:
- تشخیص موفقیت و شکست: این قابلیت اکنون روی جریان خام ویدیو کار میکند، نه عکس‌های ثابت؛ یعنی می‌تواند خطاهایی مثل ریختن، لیز خوردن یا ناهم‌ترازی را در میانهٔ اجرا بگیرد.
- خواندن عمومی ابزارها: دامنهٔ خواندن از صفحه‌های گرد و شیشهٔ سطح‌نما فراتر رفته و نمایشگرهای دیجیتال، خط‌کش‌های خطی، خط‌کش و دماسنج‌های مایع را هم شامل میشود. گوگل این توانایی را روی ۱۰ نوع ابزار مختلف آزمایش کرده است.
- پرسش‌وپاسخ فضایی تقویت‌شده: پاسخ‌گویی به پرسش‌های تصویری از پیشرفت‌های Gemini در درک چندوجهی بهره گرفته است.
ایمنی؛ تمرکز تازهٔ گوگل
گوگل Gemini Robotics ER 2 را ایمن‌ترین مدل خود می‌داند. این ادعا بر پایهٔ دو معیار سنجیده شده است: پیروی از دستورهای ایمنی و نزدیکی انسان، که اولی میزان پایبندی مدل به محدودیت‌های فیزیکی در وظایف استدلالی و دومی آگاهی فضایی برای تشخیص انسان را می‌سنجد. در یک نمونه، این مدل ربات انسان‌نما را وقتی فردی نزدیک بود متوقف کرد و تنها پس از خالی شدن اطراف، کار را خودکار از سر گرفت.
گوگل همچنین معیار تازه‌ای معرفی کرده که توانایی یک مدل پایه را در نقش «هماهنگ‌کنندهٔ ایمن VLA» می‌سنجد؛ یعنی اینکه مدل بتواند محدودیت‌های ایمنی را اعمال کند، محیط را پایش کند، امکان‌پذیری فیزیکی کار را بسنجد و در صورت لزوم از انسان توضیح بخواهد. جزئیات این کار در گزارش فنی ایمنی گوگل آمده است.
دسترسی و شروع کار
Gemini Robotics ER 2 امروز از طریق Gemini API و Google AI Studio در دسترس توسعهدهندگان است و پیشنمایش خصوصی آن روی Gemini Enterprise Agent Platform ارائه میشود. گوگل نمونه‌هایی از تنظیم مدل و نوشتن دستور (prompt) را هم منتشر کرده تا شروع کار برای ساخت کارهای فیزیکی مفیدتر ساده‌تر شود.
این نسخه در ادامهٔ مسیر مدل‌های پیشروی گوگل می‌آید؛ خانواده‌ای که نمونه‌ای دیگر از آن را میتوان در معرفی Gemini 4 Argon دید. اگر به معماری مدل‌های محدود و سبک‌تر علاقه دارید، Gemini 3.5 Flash Cyber هم نمونهٔ دیگری از همین خانواده است.
نکتهٔ کلیدی این لانچ، تغییر نقش مدل‌های زبانی در رباتیک است: از پاسخ‌دادن به پرسش، به چیدن وظیفه، پیگیری پیشرفت و تصمیم‌گیری دربارهٔ لحظهٔ درست کار بعدی. اینکه یک ربات بداند کارش تمام شده یا نه، همان اندازه مهم است که بتواند آن کار را انجام دهد. اگر می‌خواهید بدانید چرا یک عامل هوش مصنوعی گاهی موفق و گاهی ناموفق است، این نوشته را ببینید.
گوگل میگوید برنامهٔ بعدی‌اش سوق دادن این مدل‌ها به سمت وظایف پیچیده‌تر برای سرعت‌بخشیدن به توسعهٔ رباتهای مفید و پشتیبانی از جامعهٔ رباتیک است.
پرسش‌های متداول
Gemini Robotics ER 2 دقیقاً چه کاری در ربات انجام میدهد؟
این مدل مثل مغزی سطح بالا برای ربات عمل میکند: با انسان گفتگو میکند، محیط فیزیکی را میفهمد و وظایف چندمرحلهای را برنامهریزی میکند، سپس اجرای حرکتی را به یک مدل پایینسطح بینایی-زبان-عمل (VLA) میسپارد.
از کجا میتوان به Gemini Robotics ER 2 دسترسی داشت؟
گوگل میگوید این مدل از طریق Gemini API و Google AI Studio برای توسعهدهندگان در دسترس است و پیشنمایش خصوصی آن روی Gemini Enterprise Agent Platform ارائه میشود.
دقت این مدل در یافتن لحظهٔ دقیق وقایع چقدر است؟
در وظایف یافتن لحظه، Gemini Robotics ER 2 به دقت ۹۱.۳ درصد و میانگین فاصله مطلق ۰.۹۶ ثانیه رسیده است.
همکاری چندرباتی در این مدل یعنی چه؟
یعنی رباتهای متفاوت با درک معنایی مشترک با هم ارتباط میگیرند و کارها را بین خودشان جابهجا میکنند؛ برای نمونه ربات Apollo 2 از Apptronik و Franka F3 Duo با هم همکاری کردند.
منبع: Google
