Gemini Robotics 1.5 عوامل هوش مصنوعی را وارد دنیای فیزیکی می‌کند

این خبر از وبلاگ Google DeepMind منتشر شده و به معرفی دو مدل جدید هوش مصنوعی به نام‌های Gemini Robotics 1.5 و Gemini Robotics-ER 1.5 می‌پردازد. این مدل‌ها گام مهمی در ادغام هوش مصنوعی با رباتیک فیزیکی هستند و هدفشان ایجاد ربات‌های هوشمند و همه‌منظوره است که بتوانند وظایف پیچیده چندمرحله‌ای را در دنیای واقعی حل کنند. من این خبر را بر اساس محتوای لینک ارائه‌شده (که استخراج کامل آن را انجام دادم) تحلیل می‌کنم. تحلیل را به صورت ساختاریافته و با جزئیات پیش می‌برم، از جمله قابلیت‌ها، عملکرد، ایمنی و اهمیت کلی. توجه کنید که این مدل‌ها بر پایه خانواده مدل‌های Gemini ساخته شده‌اند و تمرکز اصلی‌شان بر “عامل‌های هوش مصنوعی” (AI agents) است که می‌توانند ادراک کنند، برنامه‌ریزی کنند، فکر کنند، از ابزارها استفاده کنند و عمل کنند.

۱. خلاصه کلی خبر

این پست وبلاگی در تاریخ انتشار (که در محتوای استخراج‌شده مشخص نیست، اما بر اساس سند شما احتمالاً اخیر است) اعلام می‌کند که Google DeepMind دو مدل جدید را معرفی کرده:

• Gemini Robotics 1.5: یک مدل VLA (Vision-Language-Action) که اطلاعات بصری و دستورات زبانی را مستقیماً به دستورات حرکتی ربات تبدیل می‌کند. این مدل قبل از عمل “فکر” می‌کند، فرآیند تصمیم‌گیری‌اش را شفاف نشان می‌دهد و می‌تواند مهارت‌ها را بین ربات‌های مختلف (embodiments) منتقل کند.
• Gemini Robotics-ER 1.5: یک مدل VLM (Vision-Language Model) که بر استدلال تجسم‌یافته (embodied reasoning) تمرکز دارد. این مدل جهان فیزیکی را تحلیل می‌کند، ابزارهای دیجیتال (مانند جستجوی گوگل) را فراخوانی می‌کند و برنامه‌های دقیق چندمرحله‌ای برای مأموریت‌ها ایجاد می‌کند. عملکرد آن در بنچمارک‌های درک فضایی state-of-the-art است.

این دو مدل با هم در یک چارچوب عامل‌محور (agentic framework) کار می‌کنند: مدل ER نقش “مغز” را ایفا می‌کند و برنامه‌ریزی می‌کند، در حالی که مدل Robotics 1.5 اقدامات فیزیکی را اجرا می‌کند. این رویکرد ربات‌ها را قادر می‌سازد تا وظایفی مانند مرتب‌سازی اشیاء بر اساس قوانین محلی بازیافت را انجام دهند – کاری که نیاز به جستجو در اینترنت، تحلیل بصری و اجرای گام‌به‌گام دارد.

در دسترس بودن:

• Gemini Robotics-ER 1.5 از امروز (زمان انتشار پست) از طریق API Gemini در Google AI Studio برای توسعه‌دهندگان قابل دسترسی است.
• Gemini Robotics 1.5 فعلاً فقط برای شرکای انتخابی در دسترس است.
  این پیشرفت‌ها به توسعه‌دهندگان کمک می‌کند تا ربات‌های versatile و هوشمندتری بسازند.

۲. جزئیات فنی مدل‌ها و چگونگی کارکرد آن‌ها

مدل‌ها بر پایه مدل‌های اصلی Gemini fine-tune شده‌اند، اما با داده‌های تخصصی برای نقش‌های خاص‌شان آموزش دیده‌اند. وقتی با هم ترکیب شوند، توانایی تعمیم‌پذیری (generalization) ربات را به وظایف طولانی‌تر و محیط‌های متنوع افزایش می‌دهند.

• چارچوب عامل‌محور (Agentic Framework):
• Gemini Robotics-ER 1.5 (مدل استدلال تجسم‌یافته): مانند یک مغز سطح بالا عمل می‌کند. قابلیت‌های کلیدی:
  • استدلال منطقی در محیط‌های فیزیکی.
  • درک فضایی پیشرفته (spatial understanding).
  • گفتگوی طبیعی با انسان.
  • تخمین موفقیت و پیشرفت وظیفه.
  • فراخوانی ابزارها: مانند جستجوی گوگل برای اطلاعات یا توابع تعریف‌شده توسط کاربر.
  • ایجاد برنامه‌های چندمرحله‌ای دقیق برای مأموریت‌ها.
• Gemini Robotics 1.5 (مدل VLA): دستورات زبانی از مدل ER را دریافت می‌کند و آن‌ها را به اقدامات فیزیکی تبدیل می‌کند. قابلیت‌های کلیدی:
  • فکر قبل از عمل: تولید توالی داخلی استدلال و تحلیل به زبان طبیعی برای وظایف پیچیده семانتیک (مانند “مرتب‌سازی لباس بر اساس رنگ”).
  • شکستن وظایف طولانی به сегмент‌های ساده‌تر برای افزایش موفقیت و robustness در برابر تغییرات محیطی.
  • شفافیت: توضیح فرآیند فکر کردن به زبان طبیعی.
  مثالی از کارکرد: اگر ربات دستور “بر اساس مکان من، این اشیاء را به سطل‌های کمپوست، بازیافت و زباله مرتب کن” دریافت کند، مدل ER قوانین محلی را جستجو می‌کند، اشیاء را تحلیل می‌کند و برنامه می‌سازد؛ سپس مدل Robotics 1.5 گام‌ها را اجرا می‌کند (مانند برداشتن شیء و قرار دادن آن در سطل مناسب).
• درک محیط (Understands Its Environment):
  مدل ER در ۱۵ بنچمارک آکادمیک (مانند Point-Bench, ERQA, RoboSpatial-VQA) عملکرد برتر دارد. این بنچمارک‌ها شامل اشاره (pointing)، پاسخ به سؤالات تصویری/ویدئویی، پیش‌بینی مسیر و تخمین پیشرفت وظیفه هستند. در یک نمودار مقایسه‌ای، این مدل بالاترین امتیاز تجمعی را نسبت به مدل‌های مشابه کسب کرده. همچنین قابلیت‌هایی مانند تشخیص اشیاء، تخمین وضعیت، ماسک segmentation، پیش‌بینی مسیر و تشخیص موفقیت نشان می‌دهد (با GIFهای demonstrative در پست).
• فکر قبل از عمل (Thinks Before Acting):
  برخلاف مدل‌های سنتی VLA که مستقیماً دستور را به حرکت تبدیل می‌کنند، این مدل سطوح مختلف فکر می‌کند: درک وظیفه (مثلاً مرتب‌سازی رنگ)، برنامه‌ریزی گام‌ها (مثل برداشتن لباس قرمز) و جزئیات حرکتی (مثل نزدیک کردن شیء برای برداشتن آسان). این رویکرد تعمیم‌پذیری به وظایف جدید را افزایش می‌دهد. ویدئویی در پست این فرآیند را برای مرتب‌سازی لباس نشان می‌دهد.
• یادگیری در embodiments مختلف (Learns Across Embodiments):
  ربات‌ها شکل‌ها، حسگرها و درجه‌های آزادی متفاوتی دارند، اما این مدل مهارت‌ها را بدون نیاز به تخصص‌سازی منتقل می‌کند. مثلاً وظایفی که روی ربات ALOHA 2 آموزش دیده، مستقیماً روی ربات انسانی‌نما Apollo (از Apptronik) یا ربات دوبازوی Franka کار می‌کند. این قابلیت یادگیری را سرعت می‌بخشد. ویدئویی demonstrative این انتقال را نشان می‌دهد.

۳. عملکرد و بنچمارک‌ها

• مدل ER در بنچمارک‌های آکادمیک و داخلی (بر اساس برنامه trusted tester) برتر است. جزئیات در گزارش فنی (tech report) موجود است.
• ارتقای بنچمارک ASIMOV برای ارزیابی ایمنی معنایی (semantic safety)، با پوشش بهتر tail cases، annotations بهبودیافته، انواع سؤالات جدید و مدالیته‌های ویدئویی. مدل ER در این بنچمارک عملکرد state-of-the-art دارد و فکر کردن آن به بهبود درک ایمنی کمک می‌کند.

۴. جنبه‌های ایمنی و مسئولیت‌پذیری

DeepMind تأکید زیادی روی ایمنی دارد:

• همکاری با شورای مسئولیت و ایمنی (RSC) و تیم ReDI برای همخوانی با اصول هوش مصنوعی گوگل.
• رویکرد holistic ایمنی: استدلال معنایی سطح بالا (فکر کردن به ایمنی قبل از عمل)، گفتگوی محترمانه (همخوانی با سیاست‌های ایمنی Gemini)، و زیرسیستم‌های سطح پایین (مانند جلوگیری از برخورد).
• انتشار نسخه ارتقایافته بنچمارک ASIMOV برای بهبود ایمنی.
• ارزیابی‌ها نشان می‌دهد که قابلیت فکر کردن مدل به بهبود رعایت محدودیت‌های ایمنی فیزیکی کمک می‌کند.
  جزئیات بیشتر در گزارش فنی و وبسایت ایمنی موجود است.

۵. اهمیت و پیامدهای کلی

این مدل‌ها یک milestone به سوی حل AGI (هوش مصنوعی عمومی) در جهان فیزیکی هستند. به جای مدل‌هایی که فقط به دستورات واکنش نشان می‌دهند، سیستم‌هایی ایجاد می‌کنند که واقعاً استدلال کنند، برنامه‌ریزی کنند، ابزارها را استفاده کنند و تعمیم دهند. این پیشرفت ربات‌ها را هوشمندتر و مفیدتر می‌کند و آن‌ها را برای ادغام در زندگی روزمره (مانند خانه، کار یا محیط‌های انسانی) آماده می‌کند.

DeepMind هیجان‌زده است که جامعه تحقیقاتی رباتیک با این مدل‌ها (به ویژه ER) کار کند. همچنین قدردانی از تیم بزرگ (بیش از ۱۰۰ نفر از تیم Gemini Robotics و همکاران) و شرکایی مانند Apptronik انجام شده.

در نهایت، این خبر نشان‌دهنده پیشرفت سریع در رباتیک AI است و می‌تواند صنایع مانند تولید، بهداشت و خدمات را تحول دهد، اما با تمرکز روی ایمنی برای جلوگیری از ریسک‌ها.

پرایم سیستم | پلتفرم ابری ماپرا، سخت افزار و لوازم جانبی