30 जुलै 2026 रोजी घोषित करण्यात आलेले, रिलीझ व्हिजन-लँग्वेज-ऍक्शन (VLA) मॉडेलवर केंद्रित आहे जे रोबोट जे पाहतो आणि ऐकतो त्याचे अचूक मोटर कमांडमध्ये रूपांतर करते. डीपमाइंड त्याचे वर्णन सामान्य-उद्देशीय रोबोटिक्ससाठी बुद्धिमत्ता स्तर म्हणून करते आणि कंपनीने चॅट विंडोमधून AI ला बाहेर आणण्यासाठी आणि भौतिक जगात आणण्यासाठी एक महत्त्वपूर्ण वळण म्हणून लॉन्च केले. मूर्त AI कडे व्यापक उद्योगधंद्याबद्दल अधिक माहितीसाठी, आमच्या ब्रेकिंग एआय न्यूज चे अनुसरण करा.
तीन मॉडेल, एक प्रणाली
DeepMind ने जेमिनी रोबोटिक्स 2 लाइनअपमध्ये तीन पूरक मॉडेल पाठवले:
- जेमिनी रोबोटिक्स 2 — फ्लॅगशिप VLA मॉडेल जे दृष्टी आणि भाषेचे मोटर कंट्रोलमध्ये भाषांतर करते, रोबोटला शारीरिक क्रिया करण्यास सक्षम करते.
- जेमिनी रोबोटिक्स ER 2 — भौतिक जागा समजून घेण्यास आणि मानव आणि इतर रोबोट्सशी समन्वय साधणाऱ्या तपशीलवार, बहु-चरण योजना तयार करण्यास सक्षम एक मूर्त-तर्कसंगत मॉडेल.
- जेमिनी रोबोटिक्स ऑन-डिव्हाइस 2 — व्हीएलए मॉडेलची हलकी आवृत्ती रोबोटिक हार्डवेअरवर स्थानिक पातळीवर चालण्यासाठी ऑप्टिमाइझ केली आहे, क्लाउड कनेक्टिव्हिटीवरील अवलंबित्व कमी करते.
DeepMind ब्लॉगनुसार, प्रत्येक मॉडेलमध्ये एक विशेषज्ञ भूमिका असते परंतु त्रिकूट एकल एकात्मिक प्रणाली म्हणून ऑपरेट करण्यासाठी डिझाइन केलेले आहे. VLA मॉडेल रीअल-टाइम ॲक्शन हाताळते, ER मॉडेल उच्च-स्तरीय नियोजन हाताळते आणि ऑन-डिव्हाइस वेरिएंट रोबोटवरच कमी-विलंब प्रतिसाद सक्षम करते.
पायापासून बोटांच्या टोकापर्यंत
घोषणेमधील सर्वात धक्कादायक दावा म्हणजे ज्याला डीपमाइंड बुद्धिमान संपूर्ण-शरीर नियंत्रण म्हणतात. एका गतीची पुनरावृत्ती करण्यासाठी रोबोटला प्रशिक्षण देण्याऐवजी, जेमिनी रोबोटिक्स 2 ची रचना संपूर्ण मानवी शरीराला - पायापासून बोटांच्या टोकापर्यंत - वाकणे, पोहोचणे आणि संतुलन राखणे यासह पूर्ण-श्रेणीच्या मानवासारख्या हालचाली सक्षम करते.
डीपमाइंडने अनेक कौशल्य बेंचमार्क हायलाइट केले. प्रात्यक्षिकांमध्ये, मॉडेलद्वारे समर्थित रोबोट्स लाइट बल्बमध्ये स्क्रूइंग, गाठ बांधणे आणि इतर नाजूक क्रिया करताना दर्शविले गेले ज्यासाठी उत्कृष्ट मोटर नियंत्रण आवश्यक आहे. प्रयोगशाळेने म्हटले आहे की ही प्रणाली कौशल्याची एक नवीन पातळी प्राप्त करते ज्यामुळे रोबोट्सला क्रूर पुनरावृत्तीऐवजी वास्तविक चातुर्याची मागणी करणारी कार्ये पूर्ण करू देतात.
कंपनीने अनुकूलतेवरही भर दिला. जेमिनी रोबोटिक्स 2 फक्त काही तासांत कोणत्याही द्वि-आर्म रोबोटशी जुळवून घेतले जाऊ शकते, डीपमाइंड म्हणाले, याचा अर्थ समान अंतर्निहित बुद्धिमत्ता संपूर्ण पुनर्प्रशिक्षण चक्राशिवाय टेबलटॉप आर्मपासून जटिल मानवापर्यंत मापन करू शकते. हे सामान्यीकरण पारंपारिक रोबोटिक्सपासून एक महत्त्वपूर्ण प्रस्थान आहे, जेथे प्रत्येक मशीनला विशेषत: उद्देशाने तयार केलेले सॉफ्टवेअर आवश्यक असते.
रोबोट एकत्र काम करतात
दुसरी हेडलाइन क्षमता मल्टी-रोबोट सहयोग आहे. डीपमाइंड म्हणाले की जेमिनी रोबोटिक्स 2 अशा परिस्थितींना समर्थन देते ज्यामध्ये दोन रोबोट एकाच कामावर एकत्र काम करतात, सामायिक केलेल्या भौतिक जागेत श्रम विभाजित करतात. ER 2 मॉडेल समन्वय हाताळते — पर्यावरणाबद्दल तर्क करणे, एक बहु-चरण अनुक्रम मॅप करणे आणि मशीन्समधील पायऱ्या वाटप करणे.
कंपनीने उद्धृत केलेल्या एका प्रात्यक्षिकात, रोबोट्सच्या जोडीने एक खोली स्वच्छ करण्यासाठी सहकार्य केले, एकमेकांशी टक्कर घेण्याऐवजी काम विभाजित केले. डीपमाइंडने हे प्रारंभिक पुरावे म्हणून तयार केले आहे की एआय केवळ वैयक्तिक क्रियाच नव्हे तर वास्तविक जगात अनेक एजंट्सचे ऑर्केस्ट्रेशन व्यवस्थापित करू शकते.
परस्परसंवादी आणि निर्देश करण्यायोग्य
स्वायत्त ऑपरेशनच्या पलीकडे, मॉडेल परस्परसंवादी होण्यासाठी डिझाइन केलेले आहेत. जेमिनी रोबोटिक्स 2 कृती करत असताना त्याचा दृष्टिकोन स्पष्ट करू शकतो आणि वापरकर्ते तांत्रिक आदेशांऐवजी रोजच्या भाषेचा वापर करून रोबोटचे मध्य-कार्य पुनर्निर्देशित करू शकतात. डीपमाइंडने म्हटले आहे की हे प्लॅटफॉर्म अस्थिर किंवा धोकादायक वातावरणात रोबोटला सूचना देण्यासाठी योग्य बनवते जेथे मानवी ऑपरेटरना फ्लायवर योजना समायोजित करणे आवश्यक आहे.
हे महत्त्वाचे का आहे
प्रक्षेपण आधीच गर्दीने भरलेल्या ह्युमनॉइड-रोबोटिक्स शर्यतीला अधिक तीव्र करते. फिगर, बोस्टन डायनॅमिक्स आणि टेस्ला या कंपन्यांनी चालणे, कार्यरत मशीनचे व्यावसायिकीकरण करण्यासाठी शर्यत लावली आहे, तर एनव्हीडियासारख्या चिप निर्मात्यांनी भौतिक एआयला आवश्यक असलेल्या सिम्युलेशन आणि कॉम्प्युट इन्फ्रास्ट्रक्चरमध्ये मोठ्या प्रमाणात गुंतवणूक केली आहे.
डीपमाइंडची पैज अशी आहे की एक एकल, सामान्य-उद्देशीय बुद्धिमत्ता स्तर — जो चॅटबॉट मजकूराच्या कारणास्तव भौतिक जगाविषयी कारणीभूत ठरतो — अनेक दशकांपासून औद्योगिक रोबोटिक्सची व्याख्या केलेल्या विशिष्ट, अरुंद सॉफ्टवेअरची जागा घेऊ शकतो. जर सिस्टम खरोखरच तासांमध्ये कोणत्याही मूर्त स्वरूपाशी जुळवून घेऊ शकत असेल, तर ते प्रत्येक वेळी सुरवातीपासून प्रारंभ न करता सक्षम रोबोट तैनात करू पाहणाऱ्या उत्पादक आणि संशोधकांसाठी अडथळा कमी करेल.
कंपनीने प्लॅटफॉर्मचा विस्तार करण्यासाठी विश्वासार्ह हार्डवेअर भागीदारांसोबत काम करत असल्याचे सांगितले आणि रिलीझसोबत जबाबदारी आणि सुरक्षा दस्तऐवज प्रकाशित केले. हे मॉडेल नियंत्रित प्रात्यक्षिकांच्या बाहेर कसे कार्य करतात आणि संपूर्ण-शरीर ह्युमनॉइड नियंत्रण विश्वसनीय, वास्तविक-जागतिक तैनातीमध्ये किती लवकर अनुवादित करू शकतात याबद्दल प्रश्न आहेत.
तरीही, लॉन्चची रुंदी — संपूर्ण शरीराची हालचाल, बहु-चरण तर्क, डिव्हाइसवरील कार्यक्षमता आणि एकाच उत्पादन कुटुंबातील मल्टी-एजंट समन्वय — हे संकेत देते की Google मोठ्या AI मॉडेल्स आणि भौतिक मशीन्सच्या अभिसरणात एक प्राथमिक खेळाडू बनण्याचा मानस आहे.
AI च्या पुढे रहा
रोबोटिक्स फ्रंटियर वेगाने पुढे जात आहे आणि एआय बझ वायर प्रत्येक मोठ्या विकासाचा मागोवा घेत आहे. अधिक AI बातम्या वाचा मॉडेल रिलीझ, हार्डवेअर प्रगती आणि उद्योगातील बदलांच्या सतत कव्हरेजसाठी.
नवीनतम AI घडामोडी एक्सप्लोर करा →
