Google DeepMind ได้ก้าวเข้าสู่ยุคใหม่ของ Embodied AI อย่างเป็นทางการ ด้วยการเปิดตัว Gemini Robotics 2 ซึ่งเป็นโมเดล vision-language-action (VLA) ที่ล้ำสมัย เทคโนโลยีที่ก้าวล้ำนี้ถูกออกแบบมาเพื่อทำหน้าที่เป็นเลเยอร์อัจฉริยะสากล (universal intelligence layer) ที่ช่วยให้หุ่นยนต์สามารถนำทางและโต้ตอบกับโลกทางกายภาพผ่านแพลตฟอร์มฮาร์ดแวร์ที่หลากหลายได้

การก้าวขึ้นมาของโมเดล Vision-Language-Action (VLA)

หัวใจสำคัญของการประกาศครั้งนี้คือการเปลี่ยนผ่านไปสู่โมเดล VLA ที่มีความซับซ้อนสูง ซึ่งแตกต่างจากการเขียนโปรแกรมหุ่นยนต์แบบดั้งเดิมที่ต้องพึ่งพาคำสั่งที่ตายตัวและกำหนดไว้ล่วงหน้า Gemini Robotics 2 ได้รวมการจดจำภาพ การประมวลผลภาษา และการควบคุมการกระทำแบบเรียลไทม์เข้าด้วยกัน การทำงานร่วมกันนี้ช่วยให้หุ่นยนต์ไม่เพียงแค่ "มองเห็น" วัตถุและ "เข้าใจ" คำสั่งเสียงเท่านั้น แต่ยังสามารถดำเนินการเคลื่อนไหวทางกายภาพที่แม่นยำเพื่อโต้ตอบกับวัตถุนั้นได้อีกด้วย

สถาปัตยกรรมใหม่ของ DeepMind มีความอเนกประสงค์อย่างยิ่ง โดยถูกออกแบบมาให้ปรับขนาดได้ตามรูปแบบ (form factors) ที่หลากหลาย โมเดลนี้สามารถควบคุมได้ตั้งแต่แขนกลบนโต๊ะทำงานที่ใช้เฉพาะทางในภาคการผลิต ไปจนถึงหุ่นยนต์ฮิวแมนนอยด์แบบเต็มตัวที่มีความซับซ้อน ความสามารถนี้บ่งชี้ถึงอนาคตที่สติปัญญาพื้นฐานเพียงหนึ่งเดียวสามารถนำไปปรับใช้กับฮาร์ดแวร์ที่แตกต่างกันได้ ซึ่งจะช่วยลดอุปสรรคในการติดตั้งใช้งานหุ่นยนต์ขั้นสูงในสภาพแวดล้อมที่ไม่สามารถคาดเดาได้ลงอย่างมาก

Gemini Robotics ER 2: การยกระดับ Embodied Reasoning

เพื่อเสริมการทำงานของโมเดล VLA จึงมีการเปิดตัว Gemini Robotics ER 2 ซึ่งเป็นโมเดลที่ได้รับการออกแบบมาเพื่อ "embodied reasoning" โดยเฉพาะ ในขณะที่โมเดล VLA มุ่งเน้นไปที่วงจรของการรับรู้และการกระทำ แต่ ER 2 จะมุ่งเน้นไปที่กระบวนการตัดสินใจทางพุทธิปัญญา (cognitive decision-making) ระดับสูง นั่นคือการทำความเข้าใจความละเอียดอ่อนทางกายภาพของสภาพแวดล้อม และการกำหนดลำดับการกระทำที่เหมาะสมที่สุดเพื่อให้บรรลุเป้าหมาย

Gemini Robotics ER 2 เข้ามาแทนที่โมเดล Gemini Robotics ER 1.6 ที่เปิดตัวไปเมื่อเดือนเมษายน ซึ่งถือเป็นการก้าวกระโดดครั้งสำคัญในด้านความสามารถในการใช้เหตุผล การทำหน้าที่เป็นระบบควบคุมระดับสูง ER 2 ช่วยให้หุ่นยนต์ก้าวข้ามผ่านงานซ้ำๆ แบบง่ายๆ ไปสู่การแก้ปัญหาที่ซับซ้อนในสภาพแวดล้อมจริง สำหรับนักพัฒนาที่ต้องการรวมความสามารถเหล่านี้เข้าด้วยกัน ER 2 พร้อมใช้งานแล้วผ่าน Google AI Studio

ทำไมเรื่องนี้จึงสำคัญต่อวงการ AI

การพัฒนา Gemini Robotics 2 ถือเป็นก้าวสำคัญในการแสวงหา General Purpose Robotics (หุ่นยนต์อเนกประสงค์) เป็นเวลาหลายปีที่อุตสาหกรรมต้องเผชิญกับปัญหา "ความเปราะบาง" (brittleness) ซึ่งก็คือแนวโน้มที่หุ่นยนต์จะทำงานล้มเหลวเมื่อต้องเผชิญกับความเปลี่ยนแปลงเพียงเล็กน้อยในสภาพแวดล้อม การนำกฎการขยายขนาด (scaling laws) และตรรกะแบบ transformer ของตระกูล Gemini มาใช้กับการเคลื่อนไหวทางกายภาพ ทำให้ DeepMind กำลังพยายามแก้ปัญหาเรื่องความสามารถในการปรับตัว

หากประสบความสำเร็จ แนวทาง "intelligence layer" นี้อาจช่วยแยกสติปัญญาทางซอฟต์แวร์ออกจากวิศวกรรมฮาร์ดแวร์ ซึ่งจะช่วยเร่งการติดตั้งใช้งานหุ่นยนต์ได้อย่างมหาศาล เนื่องจากนักพัฒนาสามารถมุ่งเน้นไปที่การปรับปรุงอุปกรณ์ขับเคลื่อนทางกายภาพ (actuators) ในขณะที่พึ่งพาโมเดลที่ผ่านการฝึกฝนมาอย่างแข็งแกร่งของ Google ในการจัดการตรรกะที่ซับซ้อนของการเคลื่อนไหวและการใช้เหตุผลเชิงพื้นที่

สรุปประเด็นสำคัญ

  • ความเข้ากันได้แบบสากล: Gemini Robotics 2 เป็นโมเดล VLA ที่สามารถควบคุมฮาร์ดแวร์ที่หลากหลาย ตั้งแต่แขนกลขนาดเล็กบนโต๊ะไปจนถึงหุ่นยนต์ฮิวแมนนอยด์ที่มีความซับซ้อน
  • การใช้เหตุผลที่เหนือกว่า: Gemini Robotics ER 2 ใหม่ มอบความสามารถ "embodied reasoning" ขั้นสูง โดยทำหน้าที่เป็นตัวควบคุมพุทธิปัญญาระดับสูงสำหรับการตัดสินใจทางกายภาพ
  • การเข้าถึงสำหรับนักพัฒนา: Google กำลังเปิดเครื่องมือเหล่านี้ให้กับระบบนิเวศ โดย ER 2 พร้อมใช้งานใน Google AI Studio และสามารถเข้าถึง Gemini Robotics 2 ได้ล่วงหน้าผ่านการลงชื่อในรายการรอ (waitlist)

บทสรุป

Gemini Robotics 2 และโมดูล ER 2 ที่มาคู่กัน ถือเป็นก้าวที่เป็นรูปธรรมสู่การเป็นสมอง AI สากลสำหรับหุ่นยนต์ โดยการรวมการรับรู้ ภาษา และการควบคุมเข้าไว้ในระบบที่สามารถฝึกฝนได้เพียงระบบเดียว แนวทางนี้อาจช่วยลดต้นทุนและความซับซ้อนในการติดตั้งใช้งานหุ่นยนต์ที่ซับซ้อนได้อย่างมหาศาล