Google DeepMind เปิดตัว Gemini Robotics 2.5 โมเดลแบบ vision-language-action หรือ VLA ที่รับภาพและคำสั่งแล้วแปลงเป็นการขยับแขนขาของหุ่นยนต์ DeepMind เรียกว่าเป็นรุ่นที่เก่งที่สุดที่เคยทำมา จุดเด่นอยู่สามเรื่อง คือความคล่องมือ ความน่าเชื่อถือในงานจริง และความปลอดภัย และรอบนี้มีผลทดสอบจากไลน์ผลิตรถยนต์จริงมายืนยันด้วย
ผูกโบว์ คีบอาหาร และใช้ปิเปตได้
ทีมทดสอบโมเดลกับงานที่ต่างกันกว่า 200 แบบ เช่น ใช้ที่คีบเสิร์ฟอาหาร ผูกโบว์บนกล่องของขวัญ และดูดของเหลวด้วยปิเปต งานเหล่านี้รวมทักษะยากหลายอย่างไว้ด้วยกัน ทั้งการใช้เครื่องมือ การจับของนิ่มที่เปลี่ยนรูปได้อย่างริบบิ้น และการถือของเปราะบาง เมื่อเทียบกับรุ่นก่อน Gemini Robotics 2.5 ทำงานสำเร็จมากขึ้น 30 ถึง 100% แล้วแต่ประเภทงาน และทำเสร็จเร็วขึ้น 20 ถึง 30%
โมเดลนี้ใช้ได้กับหุ่นหลายแบบ ตั้งแต่หุ่นฮิวแมนนอยด์ Apollo 2 ของ Apptronik ที่ใส่มือห้านิ้ว SharpaWave ขยับได้ 22 องศาอิสระ ไปจนถึงแขนกลคู่ Franka Duo ที่ใช้กริปเปอร์สองนิ้ว
ลงไลน์ผลิตจริงของ Mercedes-Benz
บททดสอบที่น่าสนใจที่สุดคือการพา Apollo 2 ไปทำงานในไลน์ผลิตที่เดินเครื่องอยู่จริงของ Mercedes-Benz ที่เมือง Kecskemét ในฮังการี และ Sindelfingen ในเยอรมนี งานที่ได้รับคือ kitting หรือการหยิบชิ้นส่วนจากถังรวมไปเรียงลงถาดตามลำดับที่รถแต่ละคันต้องใช้ เป็นงานซ้ำซากและเหนื่อยที่ช่วยให้ไลน์ประกอบเดินต่อเนื่อง
ระบบแบ่งงานเป็นสองชั้น Gemini Robotics ER ทำหน้าที่คิดและติดตามลำดับงาน ส่วน Gemini Robotics 2.5 คุมมือและแขนให้หยิบขายึดโลหะจากถังไปวางในกล่องเรียงลำดับ พร้อมแก้เมื่อมีช่องว่าง ผลคือทำสำเร็จ 96% Jeff Cardenas ซีอีโอของ Apptronik บอกว่าโมเดลดีขึ้นมากหลังฝึกเพิ่มเพียงไม่กี่สัปดาห์ และเมื่อย้ายไปใช้ในโรงงาน Mercedes-Benz ประสิทธิภาพแทบไม่ตก
ตัวเลข 96% ฟังดูสูง แต่ Ars Technica ชี้ว่าคนทำงานซ้ำๆ แบบนี้แทบไม่พลาดเลย Kanishka Rao ผู้อำนวยการของ DeepMind ยอมรับว่าการปิดช่องว่าง 4% สุดท้ายเป็นทางชันมาก ส่วน Carolina Parada หัวหน้าฝ่ายหุ่นยนต์ของ DeepMind อธิบายว่ามีทางเลือกสองทาง คือเก่งมากในงานเฉพาะแต่ยืดหยุ่นน้อย หรือเน้นความยืดหยุ่นทำได้หลายงานแต่อาจไม่ถึง 99.9% ในทุกงาน ซึ่ง Gemini Robotics เลือกทางหลัง
Gemini 4 Argon ช่วยสร้างโลกจำลอง
ปัญหาใหญ่ของ AI หุ่นยนต์คือข้อมูลการเคลื่อนไหวจริงมีน้อย DeepMind ใช้ Gemini 4 Argon เป็นเครื่องสร้างการจำลอง โดยเอาภาพจากกล้องในฉากจริงมาสร้างดิจิทัลทวิน แล้วผลิตรอบฝึกจำลองที่หลากหลายนับพันรอบ ผสมกับการสาธิตจริงเพื่อให้หุ่นปรับตัวกับฉากและสิ่งของใหม่ได้เร็วขึ้น Argon ยังช่วยวิเคราะห์จากวิดีโอว่าทำไมหุ่นทำพลาด และทดสอบวิธีแก้ทั้งในโลกจำลองและบนหุ่นจริง
ข้อจำกัดที่ Ars Technica ระบุคือโมเดลรุ่นนี้ยังรันบนเซิร์ฟเวอร์คลาวด์ จึงยังมีความหน่วง และคลิปสาธิตที่เห็นถูกเร่งความเร็ว 2 เท่าเพื่อให้การขยับดูเป็นธรรมชาติขึ้น
ความปลอดภัยและ ASIMOV-Jailbreak
เมื่อหุ่นยนต์ต้องทำงานใกล้คน Gemini Robotics 2.5 ใช้การให้เหตุผลระหว่างทำงานเพื่อหลบอันตรายแบบเรียลไทม์ ถ้ามีสิ่งกีดขวางหรือคนเข้ามาใกล้ หุ่นจะหยุดหรือรอจนปลอดภัย ผลทดสอบของ DeepMind คืองานที่ทำสำเร็จอย่างปลอดภัยเพิ่มขึ้น 33% เมื่อมีสิ่งกีดขวาง และเพิ่มขึ้น 43% เมื่อมีคนอยู่ใกล้
DeepMind ยังเปิด ASIMOV-Jailbreak ชุดทดสอบแบบโอเพนซอร์สที่รวมพรอมต์หลายร้อยชุดซึ่งพรางคำสั่งอันตรายไว้ในหลายสิบฉาก เพื่อวัดว่า AI หุ่นยนต์โดนหลอกให้ทำสิ่งอันตรายได้ง่ายแค่ไหน Gemini 4 Argon ต้านทานได้ 99.5% เทียบกับ 82% ของ Gemini Robotics ER 2 รุ่นก่อน ชุดข้อมูลนี้เปิดให้ดาวน์โหลดบน Hugging Face
Gemini Robotics 2.5 ยังไม่เปิดให้ใช้ทั่วไป ตอนนี้เริ่มส่งให้พาร์ตเนอร์ด้านหุ่นยนต์ของ Google ซึ่งรวมถึง Agile Robots, Apptronik และ Boston Dynamics การมีชื่อ Boston Dynamics อยู่ในรายชื่อนี้ทำให้น่าติดตามว่าหุ่นรุ่นถัดไปจะได้สมองจาก Gemini ไปใช้มากแค่ไหน
