Google DeepMind ਨੇ Gemini Robotics 2 ਦੇ ਲਾਂਚ ਨਾਲ embodied AI ਦੇ ਇੱਕ ਨਵੇਂ ਯੁੱਗ ਵਿੱਚ ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ ਪ੍ਰਵੇਸ਼ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਅਤਿ-ਆਧੁਨਿਕ vision-language-action (VLA) ਮਾਡਲ ਹੈ। ਇਹ ਕ੍ਰਾਂਤੀਕਾਰੀ ਤਕਨਾਲੋਜੀ ਇੱਕ ਯੂਨੀਵਰਸਲ ਇੰਟੈਲੀਜੈਂਸ ਲੇਅਰ ਵਜੋਂ ਕੰਮ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਜੋ ਰੋਬੋਟਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਹਾਰਡਵੇਅਰ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਭੌਤਿਕ ਸੰਸਾਰ ਵਿੱਚ ਚੱਲਣ ਅਤੇ ਆਪਸੀ ਕਿਰਿਆ (interact) ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

Vision-Language-Action (VLA) ਮਾਡਲਾਂ ਦਾ ਉਭਾਰ

ਇਸ ਐਲਾਨ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਸੋਫਿਸਟਿਕੇਟਡ VLA ਮਾਡਲਾਂ ਵੱਲ ਹੋ ਰਿਹਾ ਬਦਲਾਅ ਹੈ। ਰਵਾਇਤੀ ਰੋਬੋਟਿਕਸ ਪ੍ਰੋਗਰਾਮਿੰਗ ਦੇ ਉਲਟ, ਜੋ ਸਖ਼ਤ ਅਤੇ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਨਿਰਦੇਸ਼ਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, Gemini Robotics 2 ਇਮੇਜ ਰਿਕੋਗਨੀਸ਼ਨ, ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਐਕਸ਼ਨ ਕੰਟਰੋਲ ਨੂੰ ਜੋੜਦਾ ਹੈ। ਇਹ ਸੁਮੇਲ ਇੱਕ ਰੋਬੋਟ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਕਿਸੇ ਵਸਤੂ ਨੂੰ "ਦੇਖਣ" ਅਤੇ ਜ਼ਬਾਨੀ ਹੁਕਮ ਨੂੰ "ਸਮਝਣ" ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਸਗੋਂ ਉਸ ਵਸਤੂ ਨਾਲ ਕਿਰਿਆ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀਆਂ ਸਹੀ ਭੌਤਿਕ ਹਰਕਤਾਂ ਨੂੰ ਅੰਜਾਮ ਦੇਣ ਵਿੱਚ ਵੀ ਮਦਦ ਕਰਦਾ ਹੈ।

DeepMind ਦਾ ਨਵਾਂ ਆਰਕੀਟੈਕਚਰ ਬਹੁਤ ਹੀ ਬਹੁਮੁਖੀ ਹੈ, ਜੋ ਵੱਖ-ਵੱਖ ਫਾਰਮ ਫੈਕਟਰਾਂ ਵਿੱਚ ਫੈਲਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮਾਡਲ ਮੈਨੂਫੈਕਚਰਿੰਗ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵਿਸ਼ੇਸ਼ ਟੇਬਲਟਾਪ ਰੋਬੋਟਿਕ ਆਰਮਾਂ ਤੋਂ ਲੈ ਕੇ ਗੁੰਝਲਦਾਰ, ਪੂਰੇ ਸਰੀਰ ਵਾਲੇ ਹਿਊਮਨੋਇਡ ਰੋਬੋਟਾਂ ਤੱਕ ਸਭ ਕੁਝ ਕੰਟਰੋਲ ਕਰਨ ਦੇ ਯੋਗ ਹੈ। ਇਹ ਸਮਰੱਥਾ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੀ ਹੈ ਜਿੱਥੇ ਇੱਕ ਸਿੰਗਲ ਅੰਡਰਲਾਈਂਗ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਵੱਖ-ਵੱਖ ਹਾਰਡਵੇਅਰਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਨਿਸ਼ਚਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਉੱਨਤ ਰੋਬੋਟਿਕਸ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਦੀ ਰੁਕਾਵਟ ਕਾਫ਼ੀ ਘੱਟ ਜਾਵੇਗੀ।

Gemini Robotics ER 2: Embodied Reasoning ਨੂੰ ਅੱਗੇ ਵਧਾਉਣਾ

VLA ਮਾਡਲ ਦੇ ਪੂਰਕ ਵਜੋਂ Gemini Robotics ER 2 ਦੀ ਪੇਸ਼ਕਾਰੀ ਕੀਤੀ ਗਈ ਹੈ, ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ "embodied reasoning" ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਇੱਕ ਮਾਡਲ ਹੈ। ਜਿੱਥੇ VLA ਮਾਡਲ ਪ੍ਰਤਿਭਾ (perception) ਅਤੇ ਐਕਸ਼ਨ ਦੇ ਲੂਪ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ, ਉੱਥੇ ER 2 ਉੱਚ-ਪੱਧਰੀ ਬੌਧਿਕ ਫੈਸਲਾ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ ਵਾਤਾਵਰਣ ਦੀਆਂ ਭੌਤਿਕ ਬਾਰੀਕੀਆਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਕਿਸੇ ਟੀਚੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਾਰਵਾਈਆਂ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਕ੍ਰਮ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ।

Gemini Robotics ER 2, ਅਪ੍ਰੈਲ ਵਿੱਚ ਰਿਲੀਜ਼ ਕੀਤੇ ਗਏ Gemini Robotics ER 1.6 ਮਾਡਲ ਦੀ ਜਗ੍ਹਾ ਲੈਂਦਾ ਹੈ, ਜੋ ਕਿ ਤਰਕ ਸ਼ਕਤੀ (reasoning capabilities) ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਉਛਾਲ ਹੈ। ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਕੰਟਰੋਲ ਸਿਸਟਮ ਵਜੋਂ ਕੰਮ ਕਰਕੇ, ER 2 ਰੋਬੋਟਾਂ ਨੂੰ ਸਧਾਰਨ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਮਾਹੌਲ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸੁਲਝਾਉਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਉਹਨਾਂ ਡਿਵੈਲਪਰਾਂ ਲਈ ਜੋ ਇਹਨਾਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਜੋੜਨਾ ਚਾਹੁੰਦੇ ਹਨ, ER 2 ਪਹਿਲਾਂ ਹੀ Google AI Studio ਰਾਹੀਂ ਉਪਲਬਧ ਹੈ।

AI ਦੇ ਖੇਤਰ ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

Gemini Robotics 2 ਦਾ ਵਿਕਾਸ General Purpose Robotics ਦੀ ਭਾਲ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ। ਸਾਲਾਂ ਤੋਂ, ਉਦਯੋਗ "brittleness" (ਭੰਗੁਰਤਾ) ਨਾਲ ਜੂਝ ਰਿਹਾ ਹੈ—ਜੋ ਕਿ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਮਾਮੂਲੀ ਤਬਦੀਲੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨ 'ਤੇ ਰੋਬੋਟਾਂ ਦੇ ਅਸਫਲ ਹੋਣ ਦੀ ਪ੍ਰਵਿਰਤੀ ਹੈ। Gemini ਪਰਿਵਾਰ ਦੇ scaling laws ਅਤੇ transformer-ਅਧਾਰਤ ਤਰਕ ਨੂੰ ਭੌਤਿਕ ਹਰਕਤਾਂ 'ਤੇ ਲਾਗੂ ਕਰਕੇ, DeepMind ਅਨੁਕੂਲਤਾ (adaptability) ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ।

ਜੇਕਰ ਇਹ ਸਫਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ "intelligence layer" ਪਹੁੰਚ ਸਾਫਟਵੇਅਰ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਹਾਰਡਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਵੱਖ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਨਾਲ ਰੋਬੋਟਿਕਸ ਦੀ ਤੈਨਾਤੀ ਵਿੱਚ ਭਾਰੀ ਤੇਜ਼ੀ ਆ ਸਕਦੀ ਹੈ, ਕਿਉਂਕਿ ਡਿਵੈਲਪਰ ਭੌਤਿਕ ਐਕਚੂਏਟਰਾਂ (actuators) ਨੂੰ ਸੁਧਾਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਹਰਕਤ ਅਤੇ ਸਪੇਸ਼ਲ ਰੀਜ਼ਨਿੰਗ ਦੇ ਗੁੰਝਲਦਾਰ ਤਰਕ ਨੂੰ ਸੰਭਾਲਣ ਲਈ Google ਦੇ ਮਜ਼ਬੂਤ, ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ

  • ਯੂਨੀਵਰਸਲ ਕੰਪੈਟਿਬਿਲਟੀ: Gemini Robotics 2 ਇੱਕ VLA ਮਾਡਲ ਹੈ ਜੋ ਛੋਟੇ ਟੇਬਲਟਾਪ ਆਰਮਾਂ ਤੋਂ ਲੈ ਕੇ ਗੁੰਝਲਦਾਰ ਹਿਊਮਨੋਇਡ ਰੋਬੋਟਾਂ ਤੱਕ ਵੱਖ-ਵੱਖ ਹਾਰਡਵੇਅਰ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਦੇ ਯੋਗ ਹੈ।
  • ਬਿਹਤਰ ਰੀਜ਼ਨਿੰਗ: ਨਵਾਂ Gemini Robotics ER 2 ਉੱਨਤ "embodied reasoning" ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਭੌਤਿਕ ਫੈਸਲੇ ਲੈਣ ਲਈ ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਬੌਧਿਕ ਕੰਟਰੋਲਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।
  • ਡਿਵੈਲਪਰਾਂ ਲਈ ਪਹੁੰਚ: Google ਇਹਨਾਂ ਸਾਧਨਾਂ ਨੂੰ ਈਕੋਸਿਸਟਮ ਲਈ ਖੋਲ੍ਹ ਰਿਹਾ ਹੈ, ਜਿਸ ਵਿੱਚ ER 2 Google AI Studio ਵਿੱਚ ਉਪਲਬਧ ਹੈ ਅਤੇ Gemini Robotics 2 ਤੱਕ ਜਲਦੀ ਪਹੁੰਚ ਵੇਟਲਿਸਟ ਰਾਹੀਂ ਉਪਲਬਧ ਹੈ।

ਨਿਚੋੜ

Gemini Robotics 2 ਅਤੇ ਨਾਲ ਲੱਗਿਆ ER 2 ਮੋਡਿਊਲ ਰੋਬੋਟਾਂ ਲਈ ਇੱਕ ਯੂਨੀਵਰਸਲ AI ਦਿਮਾਗ ਵੱਲ ਇੱਕ ਠੋਸ ਕਦਮ ਹੈ, ਜੋ ਪ੍ਰਤਿਭਾ (perception), ਭਾਸ਼ਾ ਅਤੇ ਕੰਟਰੋਲ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਸਮੇਟ ਦਿੰਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਉੱਨਤ ਰੋਬੋਟਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਦੀ ਲਾਗਤ ਅਤੇ ਗੁੰਝਲਦਾਰਤਾ ਨੂੰ ਕਾਫ਼ੀ ਘੱਟ ਕਰ ਸਕਦੀ ਹੈ।