Jul, 134 λεπτά ανάγνωση
Platform
News · Το Gemini Robotics-ER 1.6 προσθέτει ανάγνωση οργάνων και χωρική συλλογιστική από πολλαπλές οπτικές γωνίες
Apr, 144 λεπτά ανάγνωσης
PlatformΤο Gemini Robotics-ER 1.6 προσθέτει ανάγνωση οργάνων και χωρική συλλογιστική από πολλαπλές οπτικές γωνίες
Η Google DeepMind κυκλοφορεί ένα μοντέλο ρομποτικής με έμφαση στη συλλογιστική μέσω του Gemini API, με μια δυνατότητα ανάγνωσης μετρητών που προέκυψε από τη συνεργασία με τη Boston Dynamics.
Τι κάνει στην πραγματικότητα το ER 1.6
Η Google παρουσιάζει το Gemini Robotics-ER 1.6 ως μοντέλο με «προτεραιότητα στη συλλογιστική», και η ανακοίνωση είναι σαφής ως προς το κομμάτι της ρομποτικής που στοχεύει. Οι δυνατότητες που αναφέρονται είναι η οπτική και χωρική κατανόηση, ο σχεδιασμός εργασιών και η ανίχνευση επιτυχίας. Πρόκειται για τα κομμάτια αντίληψης και σχεδιασμού ενός ρομποτικού συστήματος, όχι για τον έλεγχο χαμηλού επιπέδου. Το μοντέλο συλλογίζεται σχετικά με το τι βλέπει και τι πρέπει να κάνει· δεν περιγράφεται εδώ ότι οδηγεί απευθείας αρθρώσεις ή κινητήρες.
Οι αναφερόμενες βελτιώσεις σε σχέση με τις προηγούμενες εκδόσεις είναι η ενισχυμένη χωρική λογική και η κατανόηση από πολλαπλές οπτικές γωνίες. Η πολυπρισματική κατανόηση έχει σημασία επειδή ένα ρομπότ σπάνια βλέπει μια σκηνή από ένα σταθερό σημείο — μετακινείται, και οι κάμερες δεν συμφωνούν πάντα μεταξύ τους. Ένα μοντέλο που μπορεί να συνδυάσει πολλές οπτικές γωνίες σε μια συνεκτική εικόνα του περιβάλλοντος πλησιάζει περισσότερο στον στόχο που περιγράφει η ανακοίνωση: την κατανόηση του φυσικού κόσμου όπως το κάνουν οι άνθρωποι.
Η λεπτομέρεια της ανάγνωσης μετρητών από τη Boston Dynamics
Το πιο συγκεκριμένο νέο χαρακτηριστικό είναι η ανάγνωση οργάνων — η ικανότητα ανάγνωσης σύνθετων μετρητών και υαλοδεικτών στάθμης. Η Google αποδίδει αυτή τη δυνατότητα στη συνεργασία με τη Boston Dynamics. Αυτή η προέλευση αξίζει προσοχή, καθώς παραπέμπει σε μια πραγματική βιομηχανική χρήση και όχι σε επίδειξη. Οι μετρητές και οι υαλοδείκτες στάθμης βρίσκονται σε εγκαταστάσεις όπως αντλιοστάσια, χημικές βιομηχανίες και εγκαταστάσεις κοινής ωφέλειας — ακριβώς τα περιβάλλοντα όπου θα αναπτυσσόταν ένα ρομπότ επιθεώρησης με πόδια.
Αποκαλύπτει επίσης κάτι για τον τρόπο που ανακαλύφθηκε η δυνατότητα αυτή. Η ανακοίνωση αναφέρει ότι η ανάγνωση οργάνων «ανακαλύφθηκε μέσα από τη συνεργασία», κάτι που παραπέμπει σε χαρακτηριστικό που προήλθε από τον συνεργάτη: ένας χειριστής ρομποτικών συστημάτων συνάντησε μια εργασία που το μοντέλο δεν μπορούσε να εκτελέσει, και αυτό το κενό έγινε στόχος εκπαίδευσης. Η ανάγνωση ενός αναλογικού δείκτη σε μια τιμή είναι μια συγκεκριμένη, επαληθεύσιμη δεξιότητα — ταιριάζει καλά σε ένα μοντέλο που διαθέτει επίσης ανίχνευση επιτυχίας, αφού το ρομπότ μπορεί να ελέγξει αν όντως πέτυχε τη σωστή ένδειξη.
Διάθεση μέσω του Gemini API
Η επιλογή διανομής είναι το βασικό στοιχείο της ιστορίας εδώ. Το ER 1.6 είναι διαθέσιμο από σήμερα στους προγραμματιστές μέσω του Gemini API και του Google AI Studio — τα ίδια κανάλια που χρησιμοποιεί η Google για τα μοντέλα γενικής χρήσης της. Η ρομποτική συλλογιστική προσφέρεται ως ένα ακόμη διαθέσιμο μοντέλο-endpoint και όχι ως ξεχωριστό SDK ή προϊόν κλειδωμένο σε συγκεκριμένο υλικό.
Αυτή η προσέγγιση μειώνει το κόστος εισόδου για ομάδες που αναπτύσσουν φυσικούς πράκτορες: ενσωματώνετε έναν μηχανισμό ρομποτικής συλλογιστικής με τον ίδιο τρόπο που θα ενσωματώνατε οποιαδήποτε άλλη κλήση Gemini. Σημαίνει επίσης ότι το επίπεδο ελέγχου του ρομπότ παραμένει δικό σας. Η Google παρέχει τον «εγκέφαλο» συλλογιστικής και αντίληψης μέσω API· η ενσωμάτωση, οι αισθητήρες και η ενεργοποίηση παραμένουν ευθύνη του προγραμματιστή. Για όποιον αξιολογεί αυτή τη λύση, το κρίσιμο ερώτημα είναι η καθυστέρηση και η αξιοπιστία μιας κλήσης συλλογιστικής μέσω cloud εντός ενός βρόχου ελέγχου — κάτι που η ανακοίνωση δεν διευκρινίζει.
Μια ισχυρή δήλωση ασφάλειας που αξίζει προσεκτική ανάγνωση
Η Google το αποκαλεί «το ασφαλέστερο μοντέλο ρομποτικής της μέχρι σήμερα», επικαλούμενη ανώτερη συμμόρφωση με τις πολιτικές ασφάλειας σε δύσκολες («ανταγωνιστικές») δοκιμασίες χωρικής συλλογιστικής. Το συγκεκριμένο και ουσιαστικό σημείο είναι η «ανταγωνιστική χωρική συλλογιστική» — η δοκιμή του αν το μοντέλο μπορεί να παρασυρθεί σε μη ασφαλή χωρικά συμπεράσματα, κάτι που αποτελεί την κρίσιμη αστοχία όταν μια μηχανή δρα βάσει της συλλογιστικής της σε έναν κοινό φυσικό χώρο.
Η δήλωση είναι συγκριτική και εσωτερική: πιο ασφαλές σε σχέση με τα προηγούμενα μοντέλα της ίδιας της Google, μετρημένο στις δικές της δοκιμασίες. Η ανακοίνωση δεν παρέχει αριθμούς αξιολόγησης, καμία εξωτερική επικύρωση, ούτε ορισμό των πολιτικών ασφάλειας. Αυτό δεν σημαίνει ότι πρέπει να αγνοηθεί ο ισχυρισμός, όμως οι ομάδες που θα εντάξουν ένα μοντέλο συλλογιστικής στον βρόχο ελέγχου ενός φυσικού ρομπότ θα πρέπει να αντιμετωπίσουν αυτή τη διατύπωση ως αφετηρία για τις δικές τους δοκιμές και όχι ως πιστοποίηση.
Η προεκτίμηση: η ρομποτική συλλογιστική γίνεται εξάρτηση από ένα API
Το κεντρικό νήμα αυτής της κυκλοφορίας είναι ότι μια εξειδικευμένη δυνατότητα ρομποτικής, διαμορφωμένη μέσα από συνεργασία με συνεργάτη — η ανάγνωση μετρητών — κυκλοφορεί στην ίδια διεπαφή API με τα γενικά μοντέλα της Google. Για τις ομάδες εφαρμοσμένης μηχανικής, αυτό σημαίνει ότι ο «εγκέφαλος» αντίληψης και σχεδιασμού ενός ρομπότ μπορεί πλέον να είναι μια διαχειριζόμενη εξωτερική εξάρτηση, που ενημερώνεται από την Google με το δικό της χρονοδιάγραμμα και όχι εκπαιδεύεται και ανήκει στην ίδια την εταιρεία.
Αυτό αποτελεί πραγματική διευκόλυνση, αλλά και πραγματική εξάρτηση. Ένα μοντέλο που σήμερα διαβάζει υαλοδείκτες στάθμης και βελτιώνεται το επόμενο τρίμηνο είναι ελκυστικό· ένα μοντέλο, όμως, του οποίου η συμπεριφορά και τα όρια ασφάλειας μεταβάλλονται με μια ενημέρωση έκδοσης αποτελεί κίνδυνο για την αλυσίδα εφοδιασμού οποιασδήποτε λειτουργίας που εμπλέκει φυσικό εξοπλισμό. Η πρακτική συμβουλή είναι να σχεδιάζετε γι' αυτό εκ των προτέρων: καθορίστε σταθερές εκδόσεις, διατηρήστε τα επίπεδα ελέγχου και ασφάλειας υπό τον δικό σας έλεγχο, και επικυρώστε τους ισχυρισμούς ασφάλειας του προμηθευτή σε σχέση με τη δική σας εγκατάσταση προτού τους εμπιστευτείτε κοντά σε μια κινούμενη μηχανή.
Find this story relevant to you?
Contact us to find a unique solution
Χρειάζεστε συνεργάτη AI engineering που μπορεί να παραδώσει;
Βοηθάμε ομάδες στην Ελλάδα να ενσωματώσουν AI, να δημιουργήσουν AI-powered προϊόντα, να αυτοματοποιήσουν κρίσιμες ροές εργασίας και να εκσυγχρονίσουν τα συστήματα που τα στηρίζουν.
Σχετικά άρθρα
Περισσότερη ανάλυση για την παράδοση προϊόντων, τη λειτουργική ΤΝ και τη δουλειά στα συστήματα που κάνει την ανάπτυξη να αντέχει στην πράξη.