Jul, 13Ανάγνωση 4 λεπτών
Frontend
News · Το Google DeepMind χωρίζει την πρωτοβουλία του για ρομποτική σε ένα ολοκληρωμένο μοντέλο και ένα προγραμματιζόμενο μοντέλο συλλογιστικής
Mar, 124 λεπτά ανάγνωση
FrontendΤο Google DeepMind χωρίζει την πρωτοβουλία του για ρομποτική σε ένα ολοκληρωμένο μοντέλο και ένα προγραμματιζόμενο μοντέλο συλλογιστικής
Τα Gemini Robotics και Gemini Robotics-ER υιοθετούν δύο διαφορετικές προσεγγίσεις απέναντι στον προγραμματιστή, η μία κλειστού βρόχου και η άλλη ανοιχτή στον δικό σας κώδικα.
Δύο μοντέλα, δύο διαφορετικές επιφάνειες για τον developer
Το Google DeepMind ανακοίνωσε δύο μοντέλα χτισμένα πάνω στο Gemini 2.0. Το πρώτο, το Gemini Robotics, περιγράφεται ως το πιο προηγμένο μοντέλο όρασης-γλώσσας-δράσης της εταιρείας, σχεδιασμένο να επιτρέπει στα ρομπότ να εκτελούν ένα ευρύτερο φάσμα εργασιών στον πραγματικό κόσμο. Το δεύτερο, το Gemini Robotics-ER, τοποθετείται διαφορετικά: επιτρέπει στους μηχανικούς ρομποτικής να τρέχουν τα δικά τους προγράμματα χρησιμοποιώντας την ενσώματη συλλογιστική του Gemini.
Αυτή η διάκριση είναι το πιο συγκεκριμένο στοιχείο της ανακοίνωσης. Το ένα μοντέλο είναι ολόκληρος ο βρόχος — αντίληψη, γλώσσα και δράση ενωμένα σε ένα. Το άλλο εκθέτει τη συλλογιστική ως ένα συστατικό γύρω από το οποίο χτίζετε εσείς. Η Google δεν παραδίδει έναν ενιαίο «εγκέφαλο ρομπότ», αλλά δύο σημεία εισόδου με διαφορετικό βαθμό ελέγχου προς τον προγραμματιστή.
Όραση-γλώσσα-δράση ως ενιαίο interface
Ο χαρακτηρισμός του Gemini Robotics ως μοντέλου όρασης-γλώσσας-δράσης έχει σημασία για τον τρόπο με τον οποίο δίνονται εντολές σε ένα ρομπότ. Συγχωνεύει την όραση, την κατανόηση ενός αιτήματος και την παραγωγή κίνησης σε ένα ενιαίο σύστημα. Για έναν developer, αυτό συμπτύσσει σε ένα κάλεσμα στάδια που παλαιότερα ήταν ξεχωριστά — ένα pipeline αντίληψης, έναν σχεδιαστή κίνησης, έναν ελεγκτή.
Το αντιστάθμισμα είναι η διαφάνεια. Όταν το μοντέλο κατέχει ολόκληρη τη διαδρομή από την εικόνα και την εντολή έως τη δράση, τα σημεία όπου κανονικά θα επιθεωρούσατε ή θα παρακάμπτατε κάτι βρίσκονται εντός του μοντέλου. Η ανακοίνωση δεν δίνει καμία λεπτομέρεια για το πόσο παρατηρήσιμη είναι αυτή η εσωτερική συμπεριφορά, κάτι που είναι ακριβώς η ερώτηση που θα χρειαζόταν απάντηση μια ομάδα που θα το ενσωμάτωνε.
Το Gemini Robotics-ER και η περίπτωση του δικού σας βρόχου ελέγχου
Το Gemini Robotics-ER είναι η έκδοση που σέβεται την υπάρχουσα μηχανολογική δουλειά. Οι μηχανικοί ρομποτικής διατηρούν τα δικά τους προγράμματα και καλούν την ενσώματη συλλογιστική ως υπηρεσία μέσα σε αυτά. Αυτό είναι το frontend που ταιριάζει σε ομάδες που ήδη διαθέτουν ελεγκτές, επίπεδα ασφάλειας και αφαιρέσεις υλικού που δεν πρόκειται να πετάξουν.
Αυτός ο διαχωρισμός αναγνωρίζει κάτι πραγματικό για τη δουλειά στη ρομποτική: ο κώδικας ελέγχου της «τελευταίας ίντσας» είναι εξειδικευμένος, δοκιμασμένος και συχνά κρίσιμος για την ασφάλεια. Η προσφορά ενός μοντέλου συλλογιστικής που συνδέεται με αυτόν, αντί να τον αντικαθιστά, ταιριάζει πιο ειλικρινά με τον τρόπο που τα ρομπότ φτάνουν όντως στην παραγωγή, σε σχέση με ένα μονολιθικό μοντέλο δράσης από μόνο του.
Η ιδιότητα του «trusted tester» είναι ο τρέχων περιορισμός
Και τα δύο μοντέλα βρίσκονται σε δοκιμή με συνεργάτες και trusted testers. Δεν υπάρχει ανοιχτή πρόσβαση, τιμολόγηση ή δηλωμένη συμβατότητα υλικού στην ανακοίνωση. Οτιδήποτε σχεδιάζει μια ομάδα σήμερα γύρω από αυτά τα μοντέλα είναι προσωρινό, έως ότου διευρυνθεί αυτή η πρόσβαση.
Η συγκεκριμένη προέκταση είναι η εξής: η ουσιαστική απόφαση που έχει αναδείξει η Google δεν είναι ποιο μοντέλο είναι πιο ικανό, αλλά ποια στάση θέλετε να υιοθετήσετε — ένα ολοκληρωμένο μοντέλο δράσης ή ένα επίπεδο συλλογιστικής μέσα στον δικό σας κώδικα. Για όποιον χτίζει πάνω σε αυτά, το Gemini Robotics-ER είναι εκείνο που αφήνει τον βρόχο ελέγχου σας ανέπαφο, και αυτή είναι η επιλογή που αξίζει να παρακολουθήσετε καθώς ανοίγει η πρόσβαση.
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.