Google DeepMind imeingia rasmi katika enzi mpya ya embodied AI kwa kuzindua Gemini Robotics 2, modeli ya kisasa ya vision-language-action (VLA). Teknolojia hii ya mapinduzi imeundwa kutumika kama tabaka la akili la ulimwengu wote, ikiruhusu roboti kutembea na kushirikiana na ulimwengu wa kifizikia kupitia mifumo mbalimbali ya vifaa (hardware).

Kuibuka kwa Modeli za Vision-Language-Action (VLA)

Kiini cha tangazo hili ni mabadiliko kuelekea modeli za VLA za hali ya juu. Tofauti na programu za roboti za jadi zinazotegemea maelekezo magumu yaliyowekwa mapema, Gemini Robotics 2 inaunganisha utambuzi wa picha, usindikaji wa lugha, na udhibiti wa vitendo wa wakati halisi. Ushirikiano huu unamruhusu roboti si tu "kuona" kitu na "kuelewa" amri ya maneno, bali pia kutekeleza miondoko sahihi ya kifizikia inayohitajika ili kushirikiana na kitu hicho.

Muundo mpya wa DeepMind ni wenye uwezo mkubwa wa kubadilika, ukiwa umeundwa kuendana na aina mbalimbali za vifaa. Modeli hii ina uwezo wa kudhibiti kila kitu kuanzia mikono ya roboti ya mezani inayotumika katika utengenezaji hadi roboti tata za binadamu (humanoid) zenye mwili mzima. Uwezo huu unaashiria mustakabali ambapo akili moja ya msingi inaweza kuhamishiwa kwenye vifaa tofauti, jambo linalopunguza kwa kiasi kikubwa vikwazo vya kuweka roboti za hali ya juu katika mazingira yasiyotabirika.

Gemini Robotics ER 2: Kuendeleza Embodied Reasoning

Ikikamilisha modeli ya VLA, kuna utambulisho wa Gemini Robotics ER 2, modeli iliyoundwa mahususi kwa ajili ya "embodied reasoning." Wakati modeli za VLA zinajikita kwenye mzunguko wa utambuzi na vitendo, ER 2 inajikita kwenye mchakato wa juu wa kufanya maamuzi ya kiakili—kuelewa nuances za kifizikia za mazingira na kuamua mfuatano bora wa vitendo ili kufikia lengo.

Gemini Robotics ER 2 inachukua nafasi ya modeli ya Gemini Robotics ER 1.6 iliyotolewa mwezi Aprili, ikiashiria hatua kubwa katika uwezo wa kufikiri. Kwa kufanya kazi kama mfumo wa udhibiti wa hali ya juu, ER 2 inaruhusu roboti kwenda mbali zaidi ya kazi rahisi za kurudia na kuelekea kwenye utatuzi wa matatizo tata katika mazingira ya ulimwengu halisi. Kwa watengenezaji wanaotaka kuunganisha uwezo huu, ER 2 tayari inapatikana kupitia Google AI Studio.

Kwa Nini Hii Ni Muhimu kwa Sekta ya AI

Maendeleo ya Gemini Robotics 2 yanawakilisha hatua muhimu katika jitihada za kutafuta roboti za matumizi ya jumla (General Purpose Robotics). Kwa miaka mingi, sekta hii imekuwa ikihangaika na "brittleness"—tabia ya roboti kufeli wanapokutana na mabadiliko madogo katika mazingira yao. Kwa kutumia sheria za upanuzi (scaling laws) na mantiki ya transformer ya familia ya Gemini kwenye miondoko ya kifizikia, DeepMind inafanya kazi kutatua tatizo la uwezo wa kubadilika.

Ikiwa itafanikiwa, mbinu hii ya "tabaka la akili" inaweza kutenganisha akili ya programu (software) na uhandisi wa vifaa (hardware). Hii itaruhusu kasi kubwa katika utumiaji wa roboti, kwani watengenezaji wanaweza kuzingatia kuboresha actuators za kifizikia huku wakitegemea modeli thabiti za Google zilizofundishwa tayari kushughulikia mantiki tata ya miondoko na uelewa wa nafasi.

Mambo Muhimu ya Kuzingatia

  • Upatanishi wa Ulimwengu Wote: Gemini Robotics 2 ni modeli ya VLA inayoweza kudhibiti vifaa mbalimbali, kuanzia mikono midogo ya mezani hadi roboti tata za binadamu.
  • Uwezo Ulioboreshwa wa Kufikiri: Gemini Robotics ER 2 mpya inatoa "embodied reasoning" ya hali ya juu, ikifanya kazi kama kiongozi wa kiakili wa hali ya juu kwa ajili ya kufanya maamuzi ya kifizikia.
  • Upatikanaji kwa Watengenezaji: Google inafungua zana hizi kwa mfumo mzima, huku ER 2 ikipatikana katika Google AI Studio na ufikiaji wa mapema wa Gemini Robotics 2 ukipatikana kupitia orodha ya kusubiri (waitlist).

Hitimisho

Gemini Robotics 2 na moduli ya ER 2 inayofuatana nayo zinawakilisha hatua madhubuti kuelekea ubongo wa AI wa ulimwengu wote kwa roboti, zikiunganisha utambuzi, lugha, na udhibiti katika mfumo mmoja unaoweza kufundishwa. Mbinu hii inaweza kupunguza kwa kiasi kikubwa gharama na ugumu wa kuweka roboti za hali ya juu.