Google DeepMind Gemini Robotics 2 নামক একটি অত্যাধুনিক vision-language-action (VLA) মডেল লঞ্চ করার মাধ্যমে আনুষ্ঠানিকভাবে 'embodied AI'-এর একটি নতুন যুগে প্রবেশ করেছে। এই যুগান্তকারী প্রযুক্তিটি একটি সার্বজনীন বুদ্ধিমত্তা স্তর (universal intelligence layer) হিসেবে কাজ করার জন্য ডিজাইন করা হয়েছে, যা বিভিন্ন হার্ডওয়্যার প্ল্যাটফর্মে রোবটদের বাস্তব জগতের সাথে চলাফেরা এবং মিথস্ক্রিয়া করতে সক্ষম করে তুলবে।

Vision-Language-Action (VLA) মডেলের উত্থান

এই ঘোষণার মূলে রয়েছে উন্নত VLA মডেলের দিকে ধাবিত হওয়া। প্রথাগত রোবোটিক্স প্রোগ্রামিং যা কঠোর এবং পূর্বনির্ধারিত নির্দেশাবলীর ওপর নির্ভর করে, তার বিপরীতে Gemini Robotics 2 ইমেজ রিকগনিশন (image recognition), ল্যাঙ্গুয়েজ প্রসেসিং (language processing) এবং রিয়েল-টাইম অ্যাকশন কন্ট্রোলকে একত্রিত করে। এই সমন্বয় একটি রোবটকে কেবল কোনো বস্তু "দেখা" বা মৌখিক নির্দেশ "বুঝতে" সাহায্য করে না, বরং সেই বস্তুর সাথে মিথস্ক্রিয়া করার জন্য প্রয়োজনীয় সুনির্দিষ্ট শারীরিক নড়াচড়াও সম্পন্ন করতে সক্ষম করে।

DeepMind-এর নতুন আর্কিটেকচারটি অত্যন্ত বহুমুখী, যা বিভিন্ন ধরণের ফরম ফ্যাক্টরের (form factors) সাথে খাপ খাইয়ে নিতে পারে। এই মডেলটি ম্যানুফ্যাকচারিংয়ে ব্যবহৃত বিশেষায়িত টেবিলটপ রোবোটিক আর্ম থেকে শুরু করে জটিল, পূর্ণাঙ্গ হিউম্যানয়েড রোবট পর্যন্ত সবকিছু নিয়ন্ত্রণ করতে সক্ষম। এই সক্ষমতা এমন একটি ভবিষ্যতের ইঙ্গিত দেয় যেখানে একটি একক অন্তর্নিহিত বুদ্ধিমত্তাকে বিভিন্ন হার্ডওয়্যারে স্থানান্তর করা যাবে, যা অনিশ্চিত পরিবেশে উন্নত রোবোটিক্স স্থাপনের বাধা উল্লেখযোগ্যভাবে কমিয়ে দেবে।

Gemini Robotics ER 2: Embodied Reasoning-এর অগ্রগতি

VLA মডেলের পরিপূরক হিসেবে আনা হয়েছে Gemini Robotics ER 2, যা বিশেষভাবে "embodied reasoning"-এর জন্য তৈরি করা হয়েছে। যেখানে VLA মডেলগুলো পারসেপশন (perception) এবং অ্যাকশনের লুপের ওপর গুরুত্ব দেয়, সেখানে ER 2 উচ্চ-স্তরের জ্ঞানীয় সিদ্ধান্ত গ্রহণ প্রক্রিয়ার (high-level cognitive decision-making process) ওপর আলোকপাত করে—যেমন পরিবেশের ভৌত সূক্ষ্মতা বোঝা এবং একটি লক্ষ্য অর্জনের জন্য কাজের সর্বোত্তম ক্রম নির্ধারণ করা।

Gemini Robotics ER 2 গত এপ্রিলে মুক্তি পাওয়া Gemini Robotics ER 1.6 মডেলের উত্তরসূরি, যা রিজনিং বা যুক্তিবোধের সক্ষমতায় একটি উল্লেখযোগ্য উল্লম্ফন নির্দেশ করে। একটি উচ্চ-স্তরের নিয়ন্ত্রণ ব্যবস্থা হিসেবে কাজ করার মাধ্যমে, ER 2 রোবটদের সাধারণ পুনরাবৃত্তিমূলক কাজের ঊর্ধ্বে উঠে বাস্তব জগতের জটিল সমস্যা সমাধানের দিকে নিয়ে যায়। ডেভেলপাররা যারা এই সক্ষমতাগুলো যুক্ত করতে চান, তাদের জন্য ER 2 ইতিমধ্যেই Google AI Studio-এর মাধ্যমে উপলব্ধ।

AI জগতের জন্য এটি কেন গুরুত্বপূর্ণ

Gemini Robotics 2-এর উন্নয়ন জেনারেল পারপাস রোবোটিক্সের (General Purpose Robotics) সন্ধানে একটি অত্যন্ত গুরুত্বপূর্ণ পদক্ষেপ। বছরের পর বছর ধরে শিল্পটি "brittleness" বা ভঙ্গুরতার সাথে লড়াই করছে—অর্থাৎ পরিবেশের সামান্য পরিবর্তনেও রোবটগুলোর ব্যর্থ হওয়ার প্রবণতা। Gemini পরিবারের স্কেলিং ল (scaling laws) এবং ট্রান্সফরমার-ভিত্তিক লজিককে শারীরিক নড়াচড়ার ক্ষেত্রে প্রয়োগ করার মাধ্যমে, DeepMind অভিযোজনযোগ্যতার (adaptability) সমস্যাটি সমাধানের জন্য কাজ করছে।

যদি এটি সফল হয়, তবে এই "intelligence layer" পদ্ধতিটি সফটওয়্যার বুদ্ধিমত্তাকে হার্ডওয়্যার ইঞ্জিনিয়ারিং থেকে আলাদা করতে পারে। এটি রোবোটিক্স স্থাপনের গতি বহুগুণ বাড়িয়ে দেবে, কারণ ডেভেলপাররা তখন শারীরিক অ্যাকচুয়েটর (actuators) উন্নত করার দিকে মনোনিবেশ করতে পারবেন এবং চলাফেরা ও স্থানিক যুক্তির (spatial reasoning) জটিল লজিক সামলানোর জন্য Google-এর শক্তিশালী, প্রি-ট্রেইনড মডেলগুলোর ওপর নির্ভর করতে পারবেন।

মূল বিষয়সমূহ

  • Universal Compatibility: Gemini Robotics 2 একটি VLA মডেল যা ছোট টেবিলটপ আর্ম থেকে শুরু করে জটিল হিউম্যানয়েড রোবট পর্যন্ত বিভিন্ন ধরণের হার্ডওয়্যার নিয়ন্ত্রণ করতে সক্ষম।
  • Enhanced Reasoning: নতুন Gemini Robotics ER 2 উন্নত "embodied reasoning" প্রদান করে, যা শারীরিক সিদ্ধান্ত গ্রহণের জন্য একটি উচ্চ-স্তরের জ্ঞানীয় নিয়ন্ত্রক (cognitive controller) হিসেবে কাজ করে।
  • Developer Accessibility: Google এই টুলগুলো ইকোসিস্টেমের জন্য উন্মুক্ত করে দিচ্ছে; ER 2 এখন Google AI Studio-তে উপলব্ধ এবং Gemini Robotics 2-এর আর্লি অ্যাক্সেস একটি ওয়েটলিস্টের মাধ্যমে পাওয়া যাচ্ছে।

সারকথা

Gemini Robotics 2 এবং এর সাথে থাকা ER 2 মডিউল রোবটদের জন্য একটি সার্বজনীন AI মস্তিষ্ক তৈরির লক্ষ্যে একটি বাস্তব পদক্ষেপ, যা পারসেপশন, ল্যাঙ্গুয়েজ এবং কন্ট্রোলকে একটি একক প্রশিক্ষণযোগ্য সিস্টেমে নিয়ে আসে। এই পদ্ধতিটি উন্নত রোবট স্থাপনের খরচ এবং জটিলতা নাটকীয়ভাবে কমিয়ে দিতে পারে।