DeepMind bemutatta a Gemini Robotics 2 nevű rendszert, amely a cég korábbi platformjától eltérően immár az egész robottest mozgatására képes. Míg a korábbi verzió főként humanoid felsőtestre és asztali feladatokra volt korlátozva, az új modell képes járni, guggolni és kinyúlni is – tehát a teljes mozgássorozatokat kezelni.
Mit tud a rendszer?
- Egyetlen modellcheckpoint három teljesen különböző robotot tudott vezérelni. Ez azt jelzi, hogy a modell nem egyetlen testre hangolt szoftver, hanem általánosabb vezérlési képességgel bír.
- Egy új test, amely más formával, érzékelőkkel és ízületekkel rendelkezik, néhány óra alatt adaptálható lett a modellhez kevesebb mint 200 példány (adat) felhasználásával. Ez a gyors adaptáció lényeges előrelépés a gyakorlatban történő alkalmazhatóság szempontjából.
- A Cross-body (testek közötti) általánosítás kezdeti képességei már a Gemini Robotics 1.5-ben megjelentek; a Gemini Robotics 2 esetében ez a képesség lényeges mértékben továbbfejlődött.
Korlátok és megjegyzések
DeepMind és a Google egyaránt őszintén kommunikál a korlátokról: a finom, többujjas manipuláció továbbra is kihívást jelent, és a rendszerek sebessége még mindig elmarad a legjobb emberi vagy célhardveres megoldásoktól. Tehát bár a modell általánosíthatósága jelentős előrelépés, a teljes képességskála még nem éri el a problémamentes, emberi szintű finommozgást.
Miért fontos ez a gyakorlatban?
A robotika hosszú ideje jellemző megközelítése az volt, hogy minden új testhez külön, kézzel hangolt vezérlőprogramot fejlesztettek. A Gemini Robotics 2 ez ellen mutat irányt: a „intelligenciát” egy hordozható agyként teszi elérhetővé, amely különböző fizikai testekbe helyezhető át. Ez hasonló paradigmaváltás, mint amit az elmúlt években a nagy nyelvi modellek (LLM-ek) hoztak a szoftverek világába: egyetlen, általános modell sok, korábban különálló feladatspecifikus megoldást váltott ki.
Ha ez a tendencia folytatódik, a robotikai értékteremtésben a test (a fizikai robot) helyett a testek között általánosító „agy” lesz a stratégiai érték, amit érdemes birtokolni és továbbfejleszteni.
Összegzés
A Gemini Robotics 2 jelzi, hogy a robotika egyfajta „GPT-pillanat” felé tart: egyetlen modell képes többféle robotot működtetni és új testekhez gyorsan alkalmazkodni. Ugyanakkor a finom manipuláció és a sebesség továbbra is megoldandó műszaki feladatok.
