Gemini Robotics ER 2 zmienia roboty z wykonawców w nadzorców własnych błędów

Roboty teraz śledzą, co faktycznie zrobiły

Google DeepMind wprowadza Gemini Robotics ER 2, ulepszoną wersję modelu przeznaczoną dla agentów fizycznych. Podczas gdy poprzednie systemy zazwyczaj w ciemno wykonywały zadaną sekwencję ruchów, nowa wersja opiera się na ciągłym przetwarzaniu wideo. Model pełni funkcję warstwy kontrolnej, która w czasie rzeczywistym monitoruje obraz z otoczenia i sprawdza, czy ramię robota faktycznie dotarło tam, gdzie powinno, oraz czy zadanie zakończyło się sukcesem.

Oprócz rozumienia wideo, ER 2 wprowadza lepszą orkiestrację narzędzi i zdolność do koordynowania wielu robotów jednocześnie we wspólnej przestrzeni. Programiści zyskują dostęp do modelu przez Gemini API i Google AI Studio, jednak z wyraźnym zakazem wdrażania w obszarach krytycznych dla bezpieczeństwa, takich jak opieka zdrowotna czy transport.

Ulepszona nawigacja dla wdrożeń przemysłowych

Dla integratorów i zespołów deweloperskich w przemyśle zmienia to architekturę sterowania. Do tej pory konieczne było budowanie skomplikowanych maszyn stanów, które obsługiwały każde możliwe odchylenie. Zdolność modelu do ciągłego monitorowania własnych postępów oznacza, że sterowanie przesuwa się ze stałych scenariuszy na określanie stanu docelowego.

Wspólne zrozumienie przestrzeni sprawia również, że wdrażanie wielu robotów od różnych producentów staje się tańsze i prostsze. Zamiast każdej maszyny działającej we własnym silosie z dedykowanym systemem wizyjnym, ER 2 potrafi działać jako centralny mózg, który na podstawie danych wizualnych rozdziela zadania pomiędzy sprzęt.

Zakaz wskazuje na zawodność w krytycznych momentach

Ograniczenie dla opieki zdrowotnej i transportu jasno pokazuje, gdzie leżą rzeczywiste granice dzisiejszej generacji modeli robotycznych. Rozumienie wideo świetnie sprawdza się w halach fabrycznych i magazynach, gdzie błąd oznacza upuszczone pudełko, a nie zagrożenie dla ludzkiego życia.

Przetwarzanie wideo w czasie rzeczywistym jest ponadto niezwykle kosztowne obliczeniowo. ER 2 musi stale oceniać ogromne ilości danych wizualnych, co stawia duże wymagania wobec lokalnej łączności i infrastruktury chmurowej Google. W rzeczywistym środowisku produkcyjnym, gdzie mogą występować awarie sieci, model staje się potencjalnym wąskim gardłem.

Zdecyduje adopcja poza laboratoriami Google

Dowodem na żywotność modelu nie będzie wideo demonstracyjne od DeepMind, ale gotowość producentów sprzętu do podłączenia swoich maszyn do API strony trzeciej. Ważne będzie obserwowanie, czy duże firmy przemysłowe zgodzą się na to, by logika ich robotów była sterowana przez model chmurowy Google, czy też dadzą pierwszeństwo własnym lokalnym, choć mniej zaawansowanym rozwiązaniom.

Werdykt Lilith

Google nie próbuje sprzedać inteligentniejszej kamery. Zależy mu na tym, by stać się głównym systemem operacyjnym dla każdego ramienia robota w fabryce, bez względu na to, czyje logo jest wygrawerowane na sprzęcie.