Gemini Robotics 2 എന്ന അത്യാധുനിക vision-language-action (VLA) മോഡൽ പുറത്തിറക്കിക്കൊണ്ട് Google DeepMind ഔദ്യോഗികമായി 'embodied AI'-യുടെ ഒരു പുതിയ യുഗത്തിലേക്ക് പ്രവേശിച്ചു. വൈവിധ്യമാർന്ന ഹാർഡ്‌വെയർ പ്ലാറ്റ്‌ഫോമുകളിൽ റോബോട്ടുകൾക്ക് ഭൗതിക ലോകവുമായി സംവദിക്കാനും സഞ്ചരിക്കാനും സഹായിക്കുന്ന ഒരു സാർവത്രിക ബുദ്ധിശക്തി പാളിയായി (universal intelligence layer) പ്രവർത്തിക്കാൻ ഈ വിപ്ലവകരമായ സാങ്കേതികവിദ്യ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു.

Vision-Language-Action (VLA) മോഡലുകളുടെ ഉദയം

ഈ പ്രഖ്യാപനത്തിന്റെ കാതൽ സങ്കീർണ്ണമായ VLA മോഡലുകളിലേക്കുള്ള മാറ്റമാണ്. കർശനമായ, മുൻകൂട്ടി നിശ്ചയിച്ച നിർദ്ദേശങ്ങളെ ആശ്രയിക്കുന്ന പരമ്പരാഗത റോബോട്ടിക് പ്രോഗ്രാമിംഗിൽ നിന്ന് വ്യത്യസ്തമായി, Gemini Robotics 2 ഇമേജ് റെക്കഗ്നിഷൻ, ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, റിയൽ-ടൈം ആക്ഷൻ കൺട്രോൾ എന്നിവ സംയോജിപ്പിക്കുന്നു. ഈ സമന്യം ഒരു റോബോട്ടിന് ഒരു വസ്തുവിനെ "കാണാനും" ഒരു വാക്കാലുള്ള നിർദ്ദേശം "മനസ്സിലാക്കാനും" മാത്രമല്ല, ആ വസ്തുവുമായി ഇടപഴകുന്നതിന് ആവശ്യമായ കൃത്യമായ ശാരീരിക ചലനങ്ങൾ നിർവ്വഹിക്കാനും അനുവദിക്കുന്നു.

DeepMind-ന്റെ പുതിയ ആർക്കിടെക്ചർ വളരെ വൈവിധ്യമാർന്നതാണ്, ഇത് വിവിധ രൂപങ്ങളിൽ (form factors) ഉപയോഗിക്കാൻ പാകത്തിലാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. നിർമ്മാണ മേഖലയിൽ ഉപയോഗിക്കുന്ന പ്രത്യേക ടേബിൾടോപ്പ് റോബോട്ടിക് ആംസ് മുതൽ സങ്കീർണ്ണമായ ഫുൾ-ബോഡി ഹ്യൂമനോയിഡ് റോബോട്ടുകൾ വരെ നിയന്ത്രിക്കാൻ ഈ മോഡലിന് കഴിയും. ഒരു സിംഗിൾ ഇന്റലിജൻസ് വ്യത്യസ്ത ഹാർഡ്‌വെയറുകളിലേക്ക് മാറ്റാൻ കഴിയുന്ന ഒരു ഭാവിയിലേക്കാണ് ഇത് വിരൽ ചൂണ്ടുന്നത്, ഇത് പ്രവചനാതീതമായ സാഹചര്യങ്ങളിൽ അത്യാധുനിക റോബോട്ടിക്സ് വിന്യസിക്കുന്നതിനുള്ള തടസ്സങ്ങൾ ഗണ്യമായി കുറയ്ക്കുന്നു.

Gemini Robotics ER 2: Embodied Reasoning മെച്ചപ്പെടുത്തുന്നു

VLA മോഡലിന് അനുബന്ധമായി, "embodied reasoning"-നായി പ്രത്യേകം രൂപകൽപ്പന ചെയ്ത Gemini Robotics ER 2 എന്ന മോഡലും അവതരിപ്പിക്കുന്നു. VLA മോഡലുകൾ കാഴ്ചയും (perception) പ്രവൃത്തിയും (action) തമ്മിലുള്ള ബന്ധത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുമ്പോൾ, ER 2 ഉയർന്ന തലത്തിലുള്ള കോഗ്നിറ്റീവ് തീരുമാനമെടുക്കൽ പ്രക്രിയയിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്—അതായത് ഒരു ചുറ്റുപാടിന്റെ ഭൗതികമായ സവിശേഷതകൾ മനസ്സിലാക്കുകയും ഒരു ലക്ഷ്യം കൈവരിക്കുന്നതിന് ആവശ്യമായ ഏറ്റവും അനുയോജ്യമായ പ്രവർത്തന ക്രമം നിർണ്ണയിക്കുകയും ചെയ്യുന്നു.

ഏപ്രിലിൽ പുറത്തിറങ്ങിയ Gemini Robotics ER 1.6 മോഡലിന് പകരമായാണ് Gemini Robotics ER 2 വരുന്നത്, ഇത് ചിന്താശേഷിയിൽ (reasoning capabilities) വലിയൊരു കുതിച്ചുചാട്ടമാണ് സൂചിപ്പിക്കുന്നത്. ഒരു ഹൈ-ലെവൽ കൺട്രോൾ സിസ്റ്റമായി പ്രവർത്തിക്കുന്നതിലൂടെ, ലളിതമായ ആവർത്തന ജോലികളിൽ നിന്ന് മാറി യഥാർത്ഥ ലോകത്തെ സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ER 2 റോബോട്ടുകളെ പ്രാപ്തമാക്കുന്നു. ഈ കഴിവുകൾ ഉപയോഗപ്പെടുത്താൻ ആഗ്രഹിക്കുന്ന ഡെവലപ്പർമാർക്ക് Google AI Studio വഴി ER 2 ഇപ്പോൾ ലഭ്യമാണ്.

എന്തുകൊണ്ടാണ് ഇത് AI മേഖലയിൽ പ്രധാനമാകുന്നത്

ജനറൽ പർപ്പസ് റോബോട്ടിക്സിനായുള്ള (General Purpose Robotics) അന്വേഷണത്തിൽ Gemini Robotics 2-ന്റെ വികസനം ഒരു നിർണ്ണായക ഘട്ടമാണ്. വർഷങ്ങളായി, റോബോട്ടുകൾ തങ്ങളുടെ ചുറ്റുപാടുകളിൽ ചെറിയ മാറ്റങ്ങൾ ഉണ്ടാകുമ്പോൾ പരാജയപ്പെടുന്ന "brittleness" എന്ന പ്രശ്നത്തോട് വ്യവസായം പോരാടിയിട്ടുണ്ട്. Gemini കുടുംബത്തിന്റെ സ്കെയിലിംഗ് നിയമങ്ങളും (scaling laws) ട്രാൻസ്ഫോർമർ അധിഷ്ഠിത ലോജിക്കും ഭൗതിക ചലനങ്ങളിൽ പ്രയോഗിക്കുന്നതിലൂടെ, പൊരുത്തപ്പെടാനുള്ള (adaptability) പ്രശ്നം പരിഹരിക്കാൻ DeepMind ശ്രമിക്കുന്നു.

ഇത് വിജയിച്ചാൽ, ഈ "ഇന്റലിജൻസ് ലെയർ" സമീപനം സോഫ്റ്റ്‌വെയർ ബുദ്ധിശക്തിയെ ഹാർഡ്‌വെയർ എഞ്ചിനീയറിംഗിൽ നിന്ന് വേർപെടുത്താൻ സഹായിക്കും. ഇത് റോബോട്ടിക്സ് വിന്യാസത്തിൽ വലിയ വേഗത കൊണ്ടുവരും; കാരണം, ചലനങ്ങളുടെയും സ്പേഷ്യൽ റീസണിംഗിന്റെയും (spatial reasoning) സങ്കീർണ്ണമായ ലോജിക് കൈകാര്യം ചെയ്യാൻ ഗൂഗിളിന്റെ ശക്തമായ പ്രീ-ട്രെയിൻഡ് മോഡലുകളെ ആശ്രയിക്കുമ്പോൾ, ഡെവലപ്പർമാർക്ക് ഫിസിക്കൽ ആക്ചുവേറ്ററുകൾ (physical actuators) മെച്ചപ്പെടുത്തുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ കഴിയും.

പ്രധാന കാര്യങ്ങൾ

  • സാർവത്രിക പൊരുത്തപ്പെടൽ (Universal Compatibility): ചെറിയ ടേബിൾടോപ്പ് ആംസ് മുതൽ സങ്കീർണ്ണമായ ഹ്യൂമനോയിഡ് റോബോട്ടുകൾ വരെയുള്ള വൈവിധ്യമാർന്ന ഹാർഡ്‌വെയറുകൾ നിയന്ത്രിക്കാൻ ശേഷിയുള്ള ഒരു VLA മോഡലാണ് Gemini Robotics 2.
  • മെച്ചപ്പെട്ട റീസണിംഗ് (Enhanced Reasoning): പുതിയ Gemini Robotics ER 2 അത്യാധുനിക "embodied reasoning" നൽകുന്നു, ഇത് ഭൗതികമായ തീരുമാനങ്ങൾ എടുക്കുന്നതിനുള്ള ഒരു ഹൈ-ലെവൽ കോഗ്നിറ്റീവ് കൺട്രോളറായി പ്രവർത്തിക്കുന്നു.
  • ഡെവലപ്പർമാർക്കുള്ള ലഭ്യത: ഗൂഗിൾ ഈ ടൂളുകൾ ഇക്കോസിസ്റ്റത്തിന് ലഭ്യമാക്കുന്നു; ER 2 ഇപ്പോൾ Google AI Studio-വിൽ ലഭ്യമാണ്, Gemini Robotics 2-ലേക്ക് നേരത്തെയുള്ള പ്രവേശനത്തിനായി വെയിറ്റ്‌ലിസ്റ്റ് (waitlist) ലഭ്യമാണ്.

ചുരുക്കത്തിൽ

Gemini Robotics 2-ഉം അതിനോടൊപ്പമുള്ള ER 2 മോഡ്യൂളും റോബോട്ടുകൾക്കായുള്ള ഒരു സാർവത്രിക AI മസ്തിഷ്കത്തിലേക്കുള്ള സുപ്രധാനമായ ഒരു ചുവടുവെപ്പാണ്; ഇത് കാഴ്ച (perception), ഭാഷ (language), നിയന്ത്രണം (control) എന്നിവയെ ഒരൊറ്റ ട്രെയിനബിൾ സിസ്റ്റത്തിലേക്ക് സംയോജിപ്പിക്കുന്നു. ഈ സമീപനം അത്യാധുനിക റോബോട്ടുകളെ വിന്യസിക്കുന്നതിനുള്ള ചിലവും സങ്കീർണ്ണതയും ഗണ്യമായി കുറച്ചേക്കാം.