گوگل از مدل هوش مصنوعی Gemini Robotics-ER 1.6 برای درک بهتر ربات‌ها رونمایی کرد

گوگل از نسل جدید مدل هوش مصنوعی خود با نام Gemini Robotics-ER 1.6 پرده برداشت؛ سیستمی که با تمرکز بر مفهوم «استدلال تجسم‌یافته»، گامی بلند در جهت توانمندسازی ربات‌ها برای درک عمیق‌تر محیط فیزیکی و تعامل مؤثرتر با آن برداشته است. این پیشرفت، یکی از مهم‌ترین موانع پیش روی توسعه رباتیک را هدف قرار داده و به ربات‌ها امکان می‌دهد ورودی‌های بصری را تفسیر کرده، برای انجام وظایف برنامه‌ریزی کنند و حتی زمان اتمام صحیح یک کار را تشخیص دهند.

پیشرفت‌های کلیدی در درک محیطی

نسخه جدید Gemini Robotics-ER 1.6 بر پایه مدل‌های قبلی توسعه یافته و قابلیت‌های آن در استدلال فضایی و درک چندنمایی از محیط به طور چشمگیری بهبود یافته است. این قابلیت‌ها به ربات‌ها اجازه می‌دهند اطلاعات دریافتی از چندین دوربین و محیط‌های پویا را با کارایی بیشتری پردازش کنند. یکی از مهم‌ترین قابلیت‌های تازه این سیستم، توانایی خواندن ابزارهای اندازه‌گیری صنعتی است که به ربات‌ها امکان می‌دهد نشانگرها، گیج‌ها و نمایشگرهای رایج در محیط‌های صنعتی را تفسیر کنند.

پل زدن میان دنیای دیجیتال و فیزیکی

یکی از پیشرفت‌های محوری در این مدل، به نحوه انجام وظایف مرتبط با استدلال فضایی باز می‌گردد. Gemini Robotics-ER 1.6 می‌تواند اشیا را شناسایی کند، آن‌ها را بشمارد و روابط میانشان را با دقت بالاتری تشخیص دهد. علاوه بر این، مدل قادر است در فرآیند استدلال خود به اشیا اشاره کند و بدین ترتیب وظایف پیچیده را به مراحل کوچک‌تر و قابل مدیریت‌تر تقسیم کند. این قابلیت برای فعالیت در محیط‌های واقعی، جایی که ربات‌ها باید با اشیا تعامل داشته باشند، در فضاهای شلوغ حرکت کنند و بر اساس اطلاعات ناقص یا شرایط در حال تغییر تصمیم بگیرند، اهمیت حیاتی دارد.

این مدل همچنین توانایی تشخیص موفقیت در انجام وظیفه را بهبود بخشیده است. به این معنا که ربات می‌تواند ارزیابی کند آیا یک کار به درستی انجام شده یا خیر. چنین قابلیتی در فرآیندهای خودکارسازی بسیار مهم است، زیرا سیستم باید تصمیم بگیرد که آیا لازم است عملی را دوباره تکرار کند یا به مرحله بعدی برود.

استدلال چندنمایی و خواندن سیگنال‌های دنیای واقعی

پیشرفت دیگر در حوزه استدلال چندنمایی (Multi-view Reasoning) رخ داده است. ربات‌ها معمولاً به چندین ورودی تصویری متکی هستند؛ برای مثال، تصاویر دوربین‌های بالای سر یا دوربین‌های نصب‌شده روی بازوی ربات. مدل جدید می‌تواند این دیدگاه‌های مختلف را ترکیب کند تا حتی در شرایطی مانند پوشیده شدن بخشی از تصویر یا دید محدود، درک کامل‌تری از محیط به دست آورد.

یکی از کاربردی‌ترین قابلیت‌های افزوده‌شده، توانایی خواندن ابزارهای اندازه‌گیری مانند گیج‌های فشار، شیشه‌های نشان‌دهنده سطح مایع و نمایشگرهای دیجیتال است. این قابلیت در همکاری با شرکت Boston Dynamics، توسعه یافته است؛ شرکتی که ربات‌هایی مانند Spot را برای بازرسی تأسیسات صنعتی به کار می‌گیرد.

مارکو دا سیلوا، معاون و مدیرکل بخش Spot در Boston Dynamics می‌گوید: «قابلیت‌هایی مانند خواندن ابزارهای اندازه‌گیری و استدلال دقیق‌تر در انجام وظایف به ربات Spot اجازه می‌دهد چالش‌های دنیای واقعی را به طور کامل به صورت خودکار مشاهده، درک و مدیریت کند.»

این مدل برای تفسیر داده‌ها از ترکیبی از استدلال بصری و اجرای کد استفاده می‌کند. سیستم می‌تواند روی تصاویر زوم کند، عناصر کلیدی مانند عقربه‌ها و نشانه‌ها را شناسایی کند و با دقت بالا مقدار اندازه‌گیری‌شده را محاسبه کند.

عملکرد و ایمنی بهبودیافته

نتایج آزمون‌های عملکرد نیز پیشرفت قابل‌توجهی را نشان می‌دهد. دقت خواندن ابزارهای اندازه‌گیری که در مدل‌های قبلی حدود 23 درصد بود، با فعال‌سازی قابلیت بینایی عامل‌محور (Agentic Vision) به حدود 93 درصد رسیده است. این مدل همچنین در رعایت محدودیت‌های ایمنی عملکرد بهتری دارد؛ از جمله پرهیز از دستکاری اشیای خطرناک یا انجام عملیات ناایمن.

گوگل اعلام کرده است که این نسخه، ایمن‌ترین سیستم رباتیکی این شرکت تا امروز محسوب می‌شود و توانایی بهتری در تشخیص خطرات و رعایت قوانین ایمنی فیزیکی در سناریوهای متنی و بصری دارد.

مدل Gemini Robotics-ER 1.6 اکنون از طریق Gemini API و پلتفرم Google AI Studio در اختیار توسعه‌دهندگان قرار گرفته است. همچنین ابزارهایی برای آزمایش و ساخت برنامه‌های مبتنی بر استدلال تجسم‌یافته در این پلتفرم‌ها ارائه شده است.