Google DeepMind's Gemini Robotics 2 управляет целыми гуманоидными роботами

      Google DeepMind хочет, чтобы один искусственный интеллект управлял каждым роботом, и только что научил этот интеллект использовать свое тело. Он выпустил Gemini Robotics 2, семью моделей, которые могут управлять гуманоидом от его ног до кончиков пальцев. Система также может координировать несколько машин одновременно и адаптироваться к новому телу робота всего за несколько часов.

      Это самый ясный знак того, что индустрия называет «физическим ИИ», и Wired охарактеризовал это как реальный шаг к «физическому AGI». Идея проста. Тот же тип модели, который пишет ваши электронные письма, теперь учится ходить по захламленной комнате и убирать ее.

      От рук до всего тела

      Главное изменение — это контроль. Ранее модели роботов DeepMind в основном двигали верхней частью тела для выполнения задач на столе. Gemini Robotics 2 управляет всей машиной. Он может заставить гуманоид ходить, приседать, тянуться и балансировать, манипулируя предметами в ограниченных пространствах, созданных для людей.

      На демонстрации робот Apollo 2 от Apptronik услышал единую инструкцию: положить лейку в зеленый контейнер на нижней полке. Он подошел к столу, поднял лейку, перешел к полкам, наклонился и положил ее. Это звучит тривиально. Координировать ноги, торс, руки и руки по одному сигналу — это не так просто.

      Ловкость также улучшилась. Модель может управлять пятимерной рукой Apollo с 22 суставами, чтобы завязывать узлы и запечатывать пакет с застежкой, а также может управлять более простыми двухпальцевыми захватами на других платформах. «Наша цель — внедрить ИИ в физический мир, а затем построить уровень интеллекта, который может использоваться каждым роботом», — сказала Каролина Парада, руководитель робототехники DeepMind.

      Три модели, одна система

      Выпуск на самом деле представляет собой три модели. Gemini Robotics 2 — это модель визуализации-языка-действия, которая превращает то, что робот видит и слышит, в моторные команды. Она отвечает за физическое выполнение.

      Gemini Robotics ER 2 — это уровень рассуждений, высокоуровневый мозг, который планирует многошаговые задачи. На брифинге для разработчиков Google показал, как он отслеживает свой собственный прогресс на живом видеопотоке. Он может использовать инструменты, такие как Google Search, и даже управлять роботом Boston Dynamics Spot, чтобы принести закуску. Он также позволяет различным роботам работать в команде, колесной машине и гуманоиду, разделяющим задачу. Он уже доступен для разработчиков через API Gemini и Google AI Studio.

      Третий, On-Device 2, работает локально без подключения к интернету. Его можно установить на совершенно новое тело робота с менее чем 200 примерами и несколькими часами обучения. Этот последний момент важен, потому что перенос изученного навыка с одной машины на другую долгое время был одной из самых сложных задач в робототехнике.

      Впечатляюще, но все еще медленно

      DeepMind был необычно откровенен относительно ограничений. Его собственные данные показывают разрыв. Bloomberg сообщил, что система могла открутить лампочку в 92 процентах случаев, но более сложные задачи выполнялись значительно хуже. Chosun Daily оценил привязку мусорного пакета на 44 процента и запечатывание пакета с застежкой на 40 процентов.

      Роботы также медлительны. Они останавливаются, чтобы обдумать движения, которые человек делает без лишних размышлений. Кани́шка Рао, директор по робототехнике DeepMind, сказал, что истинная ловкость остается далекой целью, и что роботы все еще учатся гораздо менее эффективно, чем люди, которые адаптируются после одной или двух ошибок.

      Это общая тенденция в области. Конкурирующие усилия со стороны стартапов, работающих с основными моделями робототехники, и работа по ловкости на конкурирующих гуманоидов продолжают сталкиваться с одной и той же стеной. Демонстрации впечатляют, но машины все еще далеки от готовности к домашнему использованию.

      Безопасность поднимается на уровень

      Поскольку роботы получают возможность двигаться рядом с людьми, DeepMind уделил больше внимания безопасности. Gemini Robotics ER 2 — это самая безопасная модель на сегодняшний день, как утверждается, лучше распознает, когда человек близко, и останавливается, пока область не станет свободной. Он возобновляет работу только тогда, когда пространство снова пусто.

      Компания также выпустила стандарт, ASIMOV-Agentic, который проверяет, откажется ли модель рассуждений от небезопасной команды модели действий и отметит, когда задача невозможна или попросит человека о помощи. Назвать стандарт безопасности робота в честь Айзека Азимова — это в точку. Основная проблема, машины, действующие на основе ошибочных инструкций, не так очевидна.

      Проблема с аппаратным обеспечением, которую Google не может решить

      Существует неловкий фон. Google разрабатывает программное обеспечение, а не роботов, и поставка аппаратного обеспечения становится политической. Как отметил Axios, США только что решили запретить будущие продажи роботов китайского производства по соображениям безопасности. Многие из тел, на которых это программное обеспечение может работать, производятся в Китае.

      Google работает с западными партнерами, включая Apptronik, Boston Dynamics и Agile Robots, а также более чем 100 доверенными тестировщиками. Его конкуренты также нацелены на тот же приз. OpenAI и Nvidia обе строят модели роботов, и все преследуют одну и ту же идею: одна модель, любое тело.

      DeepMind осторожно называет это вехой, а не финишной чертой. Gemini Robotics 2 делает роботов более универсальными и полезными, чем когда-либо. Он также ясно показывает, насколько далеко машина все еще находится от легкой компетенции человека, убирающего комнату.