Ένα ανθρωποειδές ρομπότ δούλεψε σε πραγματικές γραμμές παραγωγής της Mercedes-Benz, στην Ουγγαρία και στη Γερμανία. Έπιανε μεταλλικά εξαρτήματα από χύμα κιβώτια και τα τοποθετούσε σε δίσκους. Σύμφωνα με τη Google DeepMind, το κατάφερε στο 96% των περιπτώσεων.
Πίσω από το ρομπότ, το Apollo 2 της Apptronik, βρίσκεται το Gemini Robotics 2.5, το νέο μοντέλο της DeepMind για έλεγχο ρομπότ. Είναι μοντέλο τύπου VLA (vision-language-action): βλέπει την εικόνα, καταλαβαίνει μια οδηγία σε φυσική γλώσσα και τη μετατρέπει σε κινήσεις. Βασίζεται στο προηγούμενο μοντέλο της σειράς, που είχε παρουσιαστεί νωρίτερα φέτος.
Εξαρτήματα στη σειρά, με δύο μοντέλα να δουλεύουν μαζί
Η δοκιμή έγινε στο Κετσκεμέτ της Ουγγαρίας και στο Ζίντελφινγκεν της Γερμανίας. Η δουλειά λέγεται kitting: το ρομπότ ετοιμάζει για κάθε όχημα τα εξαρτήματα που χρειάζονται, με τη σωστή σειρά. Δύο μοντέλα συνεργάστηκαν. Το Gemini Robotics ER παρακολουθούσε τη ροή της εργασίας και το Gemini Robotics 2.5 κινούσε χέρια και βραχίονες.
Ο διευθύνων σύμβουλος της Apptronik, Τζεφ Καρδένας, είπε ότι τα μοντέλα βελτιώθηκαν αισθητά μέσα σε λίγες εβδομάδες επιπλέον εκπαίδευσης και πέρασαν στην παραγωγή της Mercedes με ελάχιστη απώλεια επίδοσης. Το 96% είναι νούμερο της ίδιας της DeepMind και προέρχεται από πιλοτική δοκιμή.
Οι αριθμοί της DeepMind και ένα τεστ για παραπλάνηση
Η εταιρεία λέει ότι δοκίμασε το μοντέλο σε πάνω από 200 εργασίες, από σερβίρισμα φαγητού με λαβίδα ως πιπετάρισμα υγρών. Σε σύγκριση με τις δικές της προηγούμενες βάσεις, δηλώνει 30 έως 100% υψηλότερο ποσοστό επιτυχίας, ανάλογα με το είδος της εργασίας, και ολοκλήρωση 20 έως 30% πιο γρήγορα. Το μοντέλο προορίζεται για διαφορετικούς τύπους ρομπότ, μεταξύ τους το Apollo 2 με πεντάδαχτυλο χέρι και το Franka Duo με δύο δαχτυλιές παράλληλης λαβής.
Στην ασφάλεια, η DeepMind αναφέρει έλεγχο σε πραγματικό χρόνο, ώστε το ρομπότ να αποφεύγει φυσικούς κινδύνους. Στις δικές της αξιολογήσεις, η ασφαλής ολοκλήρωση εργασιών βελτιώθηκε κατά 33% κοντά σε εμπόδια και κατά 43% κοντά σε ανθρώπους.
Παράλληλα δημοσίευσε στο Hugging Face το ASIMOV-Jailbreak, ανοιχτό benchmark με εκατοντάδες εντολές που κρύβουν επικίνδυνα αιτήματα μέσα σε δεκάδες σκηνές. Ελέγχει αν ένα μοντέλο ρομποτικής μπορεί να ξεγελαστεί και να κάνει κάτι επικίνδυνο. Το Gemini 4 Argon, γλωσσικό μοντέλο της Google, φτάνει στο τεστ αντοχή 99,5%, έναντι 82% του προκατόχου του Gemini Robotics ER 2, σύμφωνα με την εταιρεία.
Το γλωσσικό μοντέλο ως προσομοιωτής
Στην ανάπτυξη, η DeepMind χρησιμοποίησε το Argon ως μηχανή προσομοίωσης. Από μία πραγματική σκηνή που καταγράφει μια κάμερα, το μοντέλο φτιάχνει ψηφιακό δίδυμο και χιλιάδες εικονικές εκτελέσεις για εκπαίδευση. Μαζί με πραγματικές επιδείξεις, αυτό υποτίθεται ότι βοηθά το ρομπότ να προσαρμόζεται πιο γρήγορα σε νέες σκηνές και αντικείμενα. Το Argon μπορεί επίσης να μελετά βίντεο, να διατυπώνει υποθέσεις για τις αιτίες των λαθών και να δοκιμάζει βελτιώσεις στην προσομοίωση και στο πραγματικό ρομπότ.
Το Gemini Robotics 2.5 αρχίζει να διατίθεται στους συνεργάτες Agile, Apptronik και Mercedes-Benz, όπως γράφει το The Decoder.
Πηγή: The Decoder
