Новите AI модели обещават по-добра пространствена ориентация, координация и безопасност при физически задачи

Google DeepMind обяви ново семейство изкуствен интелект модели за физически устройства – Gemini Robotics 2. Според публикация в раздела за Gemini API на Google, актуализацията подобрява способността на роботите да се ориентират в пространството, да изпълняват сложни задачи и да работят съвместно.

Ключови подобрения

Целта на разработчиците е създаването на универсален робот, който да се справя с домакински и промишлени задачи. DeepMind нарича този подход „физически AGI“. Основен елемент е моделът Gemini Robotics ER 2, който отговаря за „въплътеното разсъждение“ и анализира видео от камери в реално време.

„Благодарение на интеграцията с Gemini Live API, работниците вече могат да проследяват напредъка на задачата стъпка по стъпка и самостоятелно да коригират грешките. Ако топката се изплъзне, системата просто ще коригира движението, вместо да започва целия процес отначало“, обясняват разработчиците.

Моделът разпознава ключови моменти от действията с близо 90% точност, което позволява на роботите да знаят кога да спрат – например при наливане на кафе в чаша.

Съвместна работа и обучение

Gemini Robotics 2 превръща текстови и визуални команди в движения на механичните крайници, като подобрява прецизността и координацията на сложни хуманоидни ръце с много пръсти. При тестове машините Apollo 2 и Franka F3 Duo са демонстрирали способност да работят заедно, без да си пречат.

Леката версия Gemini Robotics On-Device 2 може да работи локално без мрежова връзка. Алгоритъмът се адаптира към нова задача за няколко часа обучение или въз основа на 200 примера. Системата вече се тества на оборудване на Boston Dynamics.

Безопасност и оценка на риска

Учените са добавили слоеве защита срещу халюцинации и фалшиви действия. Представен е и нов бенчмарк за сигурност ASIMOV-Agentic, който оценява способността на робота да отказва опасни команди, проверява безопасността на изпълнението на задачите и анализира дали изкуственият интелект навреме ще извика човек за помощ.

Моделът ER 2 показва висока способност за разпознаване на опасности и спира движение, ако човек се приближи твърде много.

По-рано ръководителят на DeepMind Демис Хасабис заяви, че AGI може да се появи до 2030 година и това ще е началото на нова ера.