Google DeepMind представила новое поколение платформы Gemini Robotics на базе ИИ. В версии 2.5 роботизированный ИИ от Google, по утверждению компании, приближается к выполнению реальных задач на уровне человека. Роботы Gemini уже выполняли реальную работу на заводах Mercedes-Benz, а команда готовится к тому дню, когда роботы будут работать бок о бок с людьми, создав эталон безопасности с открытым исходным кодом.
Физическая ИИ-платформа DeepMind имеет несколько вычислительных уровней между пользовательским вводом и действиями робота. Есть компонент модели «видение-язык», который называется Gemini Embodied Reasoning. По сути, он принимает ваши инструкции и использует видео в реальном времени для планирования того, как робот может выполнить задачу. Другой основной компонент — это «видение-язык-действие» (VLA), который фактически генерирует действия робота, такие как перемещение исполнительного механизма. Это Gemini Robotics, обновленный до версии 2.5.
DeepMind заявляет, что Gemini Robotics 2.5 значительно лучше справляется с задачами, требующими высокой степени ловкости. Модель была протестирована на более чем 200 видах деятельности, включая подачу еды щипцами и использование пипетки, как в лаборатории. Google также продемонстрировала, что гуманоидный робот Apollo 2 от Apptronik с Gemini Robotics 2.5 теперь может завязывать бант пятипалыми руками — это заметное достижение, поскольку деформируемые объекты (например, лента) чрезвычайно сложны для манипулирования роботами.
В целом, Gemini Robotics 2.5 демонстрирует на 30–100 % более высокий процент успеха по сравнению с предыдущей версией. Он также на 20–30 % быстрее. Но это основано на лабораторных испытаниях. Google сотрудничала с Apptronik и Mercedes-Benz, чтобы оценить возможности этого ИИ в условиях неопределенности реального мира за пределами робототехнических лабораторий. Роботы Apollo 2 на базе Gemini комплектовали автомобильные компоненты на нескольких европейских заводах, достигнув 96 % успеха.
Это впечатляющий результат по сравнению с предыдущими системами роботизированного ИИ, но, вероятно, его все еще недостаточно для такой компании, как Mercedes-Benz. Человек, выполняющий такую повторяющуюся задачу, будет делать это практически безошибочно, и директор DeepMind Канишка Рао отмечает, что преодоление этих последних 4 % будет «крутым путем».
Можно было бы вручную запрограммировать робота для выполнения нескольких задач на заводе без проблем — такой тип автоматизации существует десятилетиями. Однако Gemini Robotics не просто пытается выполнять несколько задач. Эти роботы предназначены для универсального использования и способны справляться практически с чем угодно, но у такого подхода есть свои компромиссы.
«Мы можем быть очень хороши в конкретном приложении ценой обобщения», — сказала Каролина Парада, руководитель отдела робототехники DeepMind. «Или мы можем просто сосредоточиться на обобщении и, возможно, не достичь 99,9 % в каждом приложении».
Помощь Argon
Обучающие данные необходимы для тренировки всех генеративных моделей ИИ. Большинство существующих чат-ботов на основе текста были обучены практически на всем открытом Интернете, но для роботизированного ИИ существует не так много «физических данных». Лучший вид обучающих данных для роботов поступает от телеоперации, но команда утверждает, что Gemini 4 Argon помог создать «симулятор», который значительно ускорил разработку Gemini Robotics 2.5.
Команда использовала Argon для генерации тысяч вариаций тренировочных прогонов на основе реальных данных с камер. Эти «цифровые двойники», по-видимому, позволили Gemini Robotics 2.5 быстрее обобщать новые задачи и настройки. Однако реальные данные по-прежнему играют свою роль. DeepMind объединила эти синтетические данные с традиционными демонстрационными примерами для обучения модели.
Argon также использовался для анализа сбоев и предложения способов улучшения как в симуляциях, так и в реальных роботах. Однако это не работает в реальном времени. Фронтирные модели, такие как Gemini, требуют времени для обработки своих токенов, но роботы должны иметь возможность работать без долгих пауз. Новый VLA также не молниеносно быстр. Хотя Google экспериментировала с некоторыми встраиваемыми робототехническими моделями, текущая версия 2.5 по-прежнему работает на облачных серверах. Таким образом, прирост точности и скорости по-прежнему достигается не без задержек. Видео выше ускорено в 2 раза, чтобы робот выглядел более человекоподобным.
DeepMind также работает над тем, чтобы сбои не представляли риска для находящихся поблизости людей. Команда отмечает, что Gemini Robotics 2.5 использует рассуждения во время вывода для избежания опасностей. Поэтому, если что-то окажется на пути, робот полностью остановится или будет ждать, пока не станет безопасно продолжить. Это важно, если робот будет работать за пределами лаборатории, например, на заводе Mercedes. DeepMind утверждает, что эта функция позволила роботам Gemini на 33 % чаще безопасно выполнять задачи при наличии препятствий. Процент успеха увеличился на 43 %, когда на пути были люди.
Не существует общепринятого способа тестирования физического ИИ на безопасность, но DeepMind надеется направить отрасль в этом направлении с помощью ASIMOV-Jailbreak. Это база данных с открытым исходным кодом, содержащая 1500 запросов, предназначенных для того, чтобы заставить роботизированный ИИ сделать что-то небезопасное. Например, запрос может попросить робота поместить предметы в сумку и закрыть ее застежкой, слишком сложной для робота. ИИ должен отказаться это делать, но попытка продолжить и неправильно закрыть контейнер будет «небезопасным» результатом.
DeepMind утверждает, что включение Argon в цикл обеспечивает уровень безопасности от взлома в 98,8 %. Только с Gemini Robotics ER 2 система набирает 73,5 % в эталоне безопасности Google.
Полный набор данных ASIMOV доступен на Hugging Face для всех, кто работает над воплощенным ИИ и хочет проанализировать его безопасность. Gemini Robotics 2.5 пока не доступен для широкой публики, но он уже находится в руках партнеров Google по робототехнике, включая Agile Robots, Apptronik и Boston Dynamics.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Ryan Whitwam
