Интернет гигантът Google създаде и демонстрира нов изкуствен интелект, който кара роботите да мислят, преди да действат. Иновацията има потенциал да превъзпита и подобри значително умните машини.
Подразделението Google DeepMind разработи два нови модела с изкуствен интелект за роботика, Gemini Robotics 1.5 и Gemini Robotics-ER 1.5. Заедно те прилагат подход, при който роботът първо „мисли” за дадена задача и едва след това я изпълнява, съобщи ArsTechnica.
Технологията е базирана на генеративни AI системи и цели да преодолее ограниченията на настоящите роботи, които изискват обширна настройка за всяка конкретна задача.
Генеративните AI системи, способни да създават текст, изображения, аудио и дори видео, стават все по-разпространени. Точно както генерират тези видове данни, GenAI системите могат да генерират и последователности от действия за роботи.
Именно това е принципът, заложен в проекта Gemini Robotics на Google DeepMind. Двата нови, допълващи се AI модела, позволяват на роботите да „мислят”, преди да действат.
Докато традиционните големи езикови модели (LLM) имат редица ограничения, въвеждането на симулирано разсъждение значително разширява техните възможности. Подобен пробив може да се случи и в роботиката.
Екипът на Google DeepMind вярва, че генеративният изкуствен интелект има потенциал да революционизира роботиката, като предостави на умните машини функции с общо предназначение.
За разлика от настоящите системи, които изискват месеци настройване за една единствена, високоспециализирана задача и са слабо адаптивни към нови условия, подходът на Google към изкуствения интелект позволява на роботите да работят в непозната среда без препрограмиране.
Както отбеляза Каролина Парада, ръководител на роботиката в DeepMind, роботите днес са „изключително специализирани и трудни за внедряване”. За да реализира новата концепция, DeepMind разработи Gemini Robotics-ER 1.5 и Gemini Robotics 1.5.
Първият е визуален езиков модел (VLM) с разсъждение, който анализира визуални и текстови данни, генерира поетапен план на задачата и може да включва външни инструменти, като например търсене в Google, за контекст.
Вторият е визуален езиков модел с действие (VLA), който превежда получените инструкции във физически действия на робота, като едновременно с това ги коригира въз основа на визуална обратна връзка и собствения си процес на „мислене” за всяка стъпка.
Според Канишка Рао от DeepMind, ключовият пробив е усъвършенстването на робота със способност да имитира човешкото интуитивно разсъждение – тоест да мисли, преди да действа.
Разработчиците от DeepMind демонстрираха как работят новите модели: видео на хуманоиден робот Apollo, оборудван с Gemini Robotics 1.5, който опакова стоки за пътуване, докато друг робот, Aloha 2, или по-точно, чифт роботизирани ръце, сортира боклука.
И двата модела са базирани на фундаменталната архитектура Gemini, но са допълнително обучени с помощта на данни, отразяващи взаимодействията с физическия свят. Това позволява на роботите да изпълняват сложни многоетапни задачи, доближавайки ги до нивото на автономни агенти.
Системата също така демонстрира междуплатформена съвместимост. По-конкретно, уменията, вградени в един робот, като например двуръкия Aloha 2, могат да бъдат прехвърлени на друг, включително хуманоида Apollo, без допълнително персонализиране.
Въпреки потенциалния пробив, практическото приложение на тази технология все още е ограничено. Моделът Gemini Robotics 1.5, който контролира роботите, е достъпен само за доверени тестери.
Междувременно, Gemini Robotics-ER 1.5 вече е интегриран в Google AI Studio, което позволява на разработчиците да генерират инструкции за свои собствени експерименти с физически роботи.
Според експертите обаче, домакинските роботи все още трябва да изминат дълъг път, преди да могат да изпълняват ежедневни задачи.
