Google DeepMind เปิดตัวโมเดล Physical AI สามตัวใหม่สำหรับควบคุมหุ่นยนต์เต็มรูปแบบ
ก้าวสำคัญของหุ่นยนต์อัจฉริยะที่ผสานการควบคุมร่างกายทั้งหมด ทักษะการหยิบจับละเอียดอ่อน และการทำงานร่วมกันหลายตัวผ่าน Gemini Robotics 2
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Gemini Robotics 2 ควบคุมหุ่นยนต์ตั้งแต่เท้าถึงปลายนิ้วและแขนคู่
- โมเดล ER 2 ทำหน้าที่เป็นสมองกลระดับสูงด้วยพื้นฐานจาก Gemini 3.5 Flash
- โมเดล On-Device 2 ออกแบบมาให้รันในตัวเครื่องหุ่นยนต์ได้โดยตรง
- รองรับการทำงานร่วมกันของหุ่นยนต์ต่างรูปแบบเพื่อส่งมอบงานต่อกัน
วงการหุ่นยนต์ในปัจจุบันมักถูกจำกัดด้วยการตั้งโปรแกรมล่วงหน้าหรือการควบคุมระยะไกลสำหรับงานซ้ำๆ ที่แคบ ซึ่งไม่สามารถปรับตัวเข้ากับสภาพแวดล้อมที่คาดเดาไม่ได้และทักษะมักไม่ถ่ายโอนข้ามร่างหุ่นยนต์ ตัวโมเดล Gemini Robotics 2 จึงเข้ามาแก้ไขข้อจำกัดทั้งสามนี้พร้อมกัน โดยทำหน้าที่แปลงข้อมูลภาพและภาษาให้กลายเป็นคำสั่งควบคุมมอเตอร์ สามารถขับเคลื่อนหุ่นยนต์ฮิวแมนนอยด์เต็มรูปแบบตั้งแต่เท้าจรดปลายนิ้ว รวมถึงหุ่นยนต์สองแขน และยังจัดการการหยิบจับที่ละเอียดอ่อนทั้งบนมือหลายนิ้วและกริปเปอร์แบบขนาน
ในส่วนของสมองกลระดับสูงคือ Gemini Robotics ER 2 ซึ่งเป็นโมเดลวิสัยทัศน์และภาษา (VLM) ที่สื่อสารกับมนุษย์ เข้าใจโลกกายภาพ และวางแผนงานหลายขั้นตอนที่กินเวลาหลายนาที อ้างอิงจากเอกสารโมเดลระบุว่า ER 2 พัฒนาบนพื้นฐานของ Gemini 3.5 Flash รองรับข้อความ ภาพ วิดีโอ และเสียงสลับกันด้วยหน้าต่างบริบทสูงสุด 128k และส่งออกข้อความได้สูงสุด 64K โทเค็น
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
สำหรับการออกแบบระบบจะมีการแบ่งหน้าที่อย่างชัดเจน โดย ER 2 จะวางแผนและติดตามงาน จากนั้นส่งมอบการทำงานของมอเตอร์ให้กับ VLA ที่ถูกประกาศเป็นเครื่องมือ นักพัฒนาสามารถลงทะเบียนอินเทอร์เฟซการควบคุมระดับต่ำ เช่น โมเดล VLA หรือ API การนำทาง เป็นเครื่องมือที่เรียกใช้งานได้ จากนั้นสตรีมวิดีโอ เสียง หรือข้อความหลายรูปแบบเข้าสู่โมเดลโดยตรง
ด้านความสามารถในการรับรู้ความคืบหน้าของงาน ER 2 ทำคะแนนความแม่นยำได้ 57.4% ในการจัดหมวดหมู่เฟรมวิดีโอออกเป็นห้าะดับความคืบหน้า และยังทำความแม่นยำได้ถึง 91.3% ด้วยความคลาดเคลื่อนเฉลี่ย 0.96 วินาทีในการระบุเฟรมที่เกิดเหตุการณ์สำคัญ เช่น จังหวะที่ควรหยุดเทกาแฟลงในแก้ว ซึ่งทาง Google DeepMind รายงานว่าแข่งขันได้อย่างใกล้ชิดกับโมเดลขนาดใหญ่กว่าในความเร็วการทำงานที่สูงกว่าถึง 4 เท่า
"Google DeepMind is direct about the remaining gap. It states that its robots have more to advance in movement speed."
การเปิดตัวชุดโมเดล Gemini Robotics 2 สะท้อนถึงทิศทางของวงการ AI ที่พยายามเชื่อมโยง "สมอง" เข้ากับ "ร่างกาย" ของหุ่นยนต์อย่างแท้จริง การแยกส่วนประมวลผลการคิดระดับสูงออกจากระบบควบคุมมอเตอร์ช่วยให้หุ่นยนต์มีความยืดหยุ่นสูง เหมือนกับการที่มนุษย์ใช้ความคิดวางแผนล่วงหน้าก่อนจะสั่งการให้กล้ามเนื้อเคลื่อนไหว ซึ่งจะช่วยลดข้อจำกัดเดิมๆ ที่หุ่นยนต์ต้องถูกตั้งโปรแกรมเฉพาะกิจสำหรับงานเดียวเท่านั้น
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
นอกจากนี้ยังมี Gemini Robotics On-Device 2 ซึ่งเป็น VLA ที่มีประสิทธิภาพสูงและปรับแต่งให้รันในเครื่องหุ่นยนต์ได้โดยตรงเพื่อแก้ปัญหาความหน่วงของเครือข่าย โดยสร้างขึ้นบนเทคโนโลยี Gemini Robotics 1.5 และโมเดล Gemma ของ Google รับอินพุตเป็นข้อความ ภาพ และค่าการรับรู้ภายในของหุ่นยนต์ พร้อมส่งออกการกระทำเป็นค่าตัวเลข
โมเดลใหม่นี้ยังเปิดประตูสู่การทำงานร่วมกันระหว่างหุ่นยนต์ต่างรูปแบบ เช่น การจับคู่หุ่นยนต์ Apptronik Apollo 2 เข้ากับ Franka F3 Duo เพื่อให้หุ่นยนต์แต่ละประเภทที่เหมาะกับงานต่างกันสามารถสื่อสารและส่งมอบงานย่อยให้กันได้อย่างราบรื่นผ่านความเข้าใจเชิงความหมายที่แชร์ร่วมกัน
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น