Google DeepMind သည် ၎င်း၏ Gemini 4 Argon မော်ဒယ်သည် သာမန်ဗီဒီယိုကြည့်ခြင်းဖြင့် ရုပ်ပိုင်းဆိုင်ရာလုပ်ငန်းဆောင်တာတစ်ခုကို လေ့လာပြီးနောက် သင်ယူထားသော အပြုအမူကို လူသားဆန်သော စက်ရုပ်တစ်ရုပ်ထံ လွှဲပြောင်းပေးသည့် စက်ရုပ်လေ့ကျင့်ရေးနည်းပညာကို Google မှ သရုပ်ပြခဲ့သည်။ မော်ဒယ်မိတ်ဆက်ပွဲနှင့်အတူ ထုတ်ဝေခဲ့သည့် ဒီမိုတွင်၊ Apptronik-built Apollo humanoid သည် cornhole ကစားသူတစ်ဦး၏ ဗီဒီယိုဖိုင်ကို ကြည့်ရှုခဲ့ပြီး လက်တွေ့ကမ္ဘာစမ်းသပ်မှုတွင် ခုနစ်ချက်ဆက်တိုက် ရိုက်ချက်ရယူနိုင်ခဲ့ကြောင်း Robotics & Automation News မှ သိရသည်။

Raw Video မှ Real Robot သို့ For more context on this story, see our ongoing artificial intelligence updates.

သရုပ်ပြမှုသည် အတွင်းပိုင်းစမ်းသပ်မှုတစ်ခုတည်းကို ဗဟိုပြုသည်။ Argon သည် အိမ်နောက်ဖေးတွင် ဆော့ကစားနေသည့် လူတစ်ဦး၏ cornhole ဆော့ကစားနည်း ဗီဒီယိုအကြမ်းကို ပြသထားသည်။ ထို့နောက် မော်ဒယ်သည် ပတ်ဝန်းကျင်ကို ပိုင်းခြားစိတ်ဖြာကာ ၎င်း၏ spatial coordinates များကို ပုံဖော်ကာ humanoid ပလပ်ဖောင်းတစ်ခုပေါ်တွင် လုပ်ဆောင်ရန် လိုအပ်သော တစ်ကိုယ်လုံး အဆစ်လှုပ်ရှားမှုများကို တွက်ချက်သည်။

ထင်ရှားသောအဆင့်မှာ နောက်လာမည့်အချက်မှာ- ရူပဗေဒဆိုင်ရာ သရုပ်တူကူးယူမှုကို လက်ဖြင့်တည်ဆောက်ရန် အင်ဂျင်နီယာများကို အားကိုးရမည့်အစား Argon သည် တူညီသောကုဒ်ကို သူ့အလိုလိုထုတ်ပေးပါသည်။ ထို့နောက် သင်ယူထားသော အမူအကျင့်ကို ၎င်းကိုယ်တိုင် ဖန်တီးထားသော သရုပ်ဖော်မှုမှ ရုပ်ပိုင်းဆိုင်ရာလောကတွင် ကွပ်မျက်ခဲ့သည့် Apptronik ၏ Apollo humanoid သို့ လွှဲပြောင်းခဲ့သည်။

Google DeepMind ၏အဆိုအရ၊ Apollo သည် လက်တွေ့ကမ္ဘာစမ်းသပ်မှုအတွင်း ဆက်တိုက်ရိုက်ချက် ခုနစ်ချက်ဆက်တိုက်ရရှိခဲ့သည် — စက်ရုပ်သည် ဟန်ချက်ညီစေရန်၊ လက်မောင်းလမ်းကြောင်းနှင့် လွှတ်ချိန်ချိန်ညှိရန် လိုအပ်သည့်အလုပ်အတွက် သန့်ရှင်းသောအပြေးမှုတစ်ခုဖြစ်သည်။

သရုပ်သကန်၏ သီတင်းပတ်များကို နာရီပိုင်းအတွင်း ဖိသိပ်ထားသည်။

Google DeepMind သည် ချဉ်းကပ်မှုအား "Video-to-Sim-to-Real" ပိုက်လိုင်းအဖြစ် ဖော်ပြထားပြီး pitch သည် စွမ်းရည်နှင့်ပတ်သက်ပြီး အင်ဂျင်နီယာအချိန်နှင့် ပတ်သက်ပါသည်။

"ဤ 'Video-to-Sim-to-Real' ပိုက်လိုင်းသည် ရက်သတ္တပတ်များအတွင်း manual simulation modeling ကို နာရီအနည်းငယ်အဖြစ် ဖိသိပ်ထားပြီး သာမန်ဗီဒီယိုများကို စက်ရုပ်များအတွက် အတိုင်းအတာမရှိ၊ အဆုံးမရှိ လေ့ကျင့်ရေးကွင်းအဖြစ်သို့ ပြောင်းလဲပေးသည်" ဟု ကုမ္ပဏီက Robotics & Automation News အရ သိရသည်။

အစဉ်အလာအားဖြင့်၊ စက်ရုပ်တစ်ရုပ်ကို သရုပ်ဖော်ခြင်းမှတစ်ဆင့် ရုပ်ပိုင်းဆိုင်ရာကျွမ်းကျင်မှုအသစ်ကို သင်ကြားပေးခြင်းသည် အလုပ်အသစ်တစ်ခုစီအတွက် ပတ်၀န်းကျင်၊ အရာဝတ္ထုပိုင်းဆိုင်ရာ ရူပဗေဒနှင့် စက်ရုပ်၏ကိုယ်ထည်တို့ကို လက်ဖြင့်ပုံစံပြရန် ကျွမ်းကျင်သူများ လိုအပ်ပါသည်။ အကယ်၍ ဗီဒီယိုသည် ထိုလက်စွဲပုံစံပုံစံကို အစားထိုးနိုင်ပါက၊ စက်ရုပ်များကို ကျွမ်းကျင်မှုအသစ်များကို သင်ကြားခြင်းအတွက် ပိတ်ဆို့ခြင်းသည် အင်ဂျင်နီယာလုပ်သားမှ အင်တာနက်ပေါ်တွင် အကန့်အသတ်မရှိ ထိရောက်စွာ လက်တွေ့ပြသနိုင်သည့် သရုပ်ပြဗီဒီယိုများဆီသို့ ပြောင်းလဲသွားသည်။

Video-to-Sim-to-Real ကွဲပြားစေသောအရာ

စက်မှုလုပ်ငန်းရှိ စက်ရုပ်သင်ယူမှုပိုက်လိုင်းအများစုသည် လမ်းကြောင်းနှစ်ခုအနက်မှ တစ်ခုကိုအသုံးပြုသည်- စက်ရုပ်အတုယူသည့်အလုပ်များကို လူသားများကိုယ်တိုင်သရုပ်ပြသည့် တယ်လီအော်ပရေးရှင်း သို့မဟုတ် လက်တွေ့အသုံးချလေ့ကျင့်မှုတွင် အင်ဂျင်နီယာများသည် လက်တွေ့အသုံးချမှုမပြုလုပ်မီ သန်းနှင့်ချီသော ထိန်းချုပ်မှုမူဝါဒများကို လက်တွေ့လုပ်ဆောင်သည့် လက်တွေ့ပတ်ဝန်းကျင်များကို ဖန်တီးပေးသည့် အင်ဂျင်နီယာများလက်ဖြင့်တည်ဆောက်သည်။ အလုပ်နှစ်ခုစလုံးနှင့် အတိုင်းအတာ နှစ်ခုစလုံး ညံ့ဖျင်းသည် — တယ်လီအော်ပရေးရှင်းသည် အလုပ်တစ်ခုအတွက် လုပ်သားအများ ဆုံးဖြစ်ပြီး၊ သရုပ်ဖော်ပုံပုံစံသည် ပတ်ဝန်းကျင်တစ်ခုစီအတွက် လုပ်သားအသုံးများသည်။

cornhole demo သည် ဒုတိယ ပိတ်ဆို့မှုအတွက် ရည်ရွယ်သည်။ DeepMind ၏စမ်းသပ်မှုအကောင့်တွင် cornhole ပတ်၀န်းကျင်ကို အင်ဂျင်နီယာတစ်ယောက်မျှ မတည်ဆောက်ခဲ့ပေ- Argon သည် ဗီဒီယိုအကြမ်းကို စားသုံးပြီး မြင်ကွင်း၏ spatial layout ကို ဘာသာပြန်ဆိုကာ လိုအပ်သော ပစ်လွှတ်ရာနေရာများကို တစ်ကိုယ်လုံး အဆစ်များထုတ်ပေးကာ သရုပ်ဖော်ကုဒ်ကို ကိုယ်တိုင်ရေးခဲ့သည်။ ဂိမ်းထဲတွင် လူတစ်ယောက်၏ အခန်းကဏ္ဍသည် တစ်ချိန်က ဂိမ်းကစားနေသည့်သူတစ်ယောက်ကို ရိုက်ကူးခဲ့သည့်အတွက် လျော့သွားခဲ့သည်။

Cornhole သည် တမင်တကာ ရွေးချယ်ထားသော စစ်ဆေးမှုကိစ္စဖြစ်သည်။ ၎င်းသည် အသေးအဖွဲပုံရသည်၊ သို့သော် ပစ်မှတ်တစ်ခုသို့ ပဲအိတ်တစ်လုံးကို ဆင်းသက်ခြင်းသည် လူသားဆန်သော စက်ရုပ်များ ပေါင်းစပ်မှုတွင် ခက်ခဲကြောင်း အတိအကျ တောင်းဆိုသည်- လေတိုက်ချိန်အတွင်း တစ်ကိုယ်လုံး ဟန်ချက်ညီမှု၊ ကောင်းမွန်သော လက်မောင်းဒိုင်းနမစ်များ၊ အချိန်သတ်မှတ်ထားသော လွှတ်တင်မှုနှင့် ပေါ့ပါးသော ဒုံးကျည်ပစ်လွှတ်မှုကို သည်းခံနိုင်မှုတို့ လိုအပ်ပါသည်။ လက်တွေ့ကမ္ဘာတွင် ခုနစ်နှစ်ဆက်တိုက် အောင်မြင်မှုများသည် လွှဲပြောင်းပေးသည့်မူဝါဒသည် ကံကောင်းခြင်းထက် ခိုင်မာကြောင်း ညွှန်ပြသော်လည်း အတွင်းပိုင်းစမ်းသပ်မှုတစ်ခုသည် ကျဉ်းမြောင်းသောအထောက်အထားအခြေခံတစ်ခုဖြစ်သော်လည်း၊

ကျိုးကြောင်းဆီလျော်မှု စံညွှန်းရလဒ်များကို ထည့်သွင်းထားသည်။

cornhole demo နှင့်အတူ DeepMind သည် 3D ပတ်ဝန်းကျင်ရှိ ရုပ်ပိုင်းဆိုင်ရာနှင့် spatial ပြဿနာများကို မော်ဒယ်တစ်ဦး၏ ဆင်ခြင်နိုင်စွမ်းကို တိုင်းတာသည့် Embodied Reasoning benchmark (ERQA) တွင် Argon ကို စမ်းသပ်ခဲ့သည်။ ကုမ္ပဏီက Argon သည် စံသတ်မှတ်ချက်တွင် ရမှတ် 87% ရရှိခဲ့သည်ဟု ဆိုသည်။

ရုပ်ပိုင်းဆိုင်ရာနှင့် အာကာသဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်းတို့ကို ရုပ်ပိုင်းဆိုင်ရာလောကတွင် အသုံးဝင်စွာလည်ပတ်နိုင်သော စနစ်များနှင့် နယ်နိမိတ်ဘာသာစကားပုံစံများကို ပိုင်းခြားထားသော ကွာဟချက်များထဲမှတစ်ခုအဖြစ် ကျယ်ကျယ်ပြန့်ပြန့်မြင်တွေ့ရသောကြောင့် ERQA ကဲ့သို့သော စက်ရုပ်စံနှုန်းများသည် အဓိကဓာတ်ခွဲခန်းများမှ အာရုံစိုက်မှုတိုးလာစေသည်။

Broader Gemini 4 Argon Launch ၏ တစ်စိတ်တစ်ပိုင်း

စက်ရုပ်အလုပ်သည် ပိုမိုကျယ်ပြန့်သော လွှင့်တင်မှုတွင် အပလီကေးရှင်းတစ်ခုဖြစ်သည်။ Google သည် Gemini 4 Argon ကို ရှုပ်ထွေးသော အင်ဂျင်နီယာ၊ သိပ္ပံနည်းကျ၊ ကုဒ်ရေးနည်းနှင့် လုပ်ငန်းတာဝန်များအတွက် ရည်ရွယ်၍ အမြင်အာရုံဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှု၊ ရုပ်ပိုင်းဆိုင်ရာ နားလည်မှုနှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကုဒ်များကို ပေါင်းစပ်ထားသော ရှေ့တန်းမော်ဒယ်အဖြစ် နေရာချထားပါသည်။ ကုမ္ပဏီက ၎င်းသည် ကြီးမားသော software codebase များကို ကောင်းမွန်အောင်ပြုလုပ်ခြင်းမှသည် ကွမ်တမ်ကွန်ပြူတာ၊ နျူကလီးယားပေါင်းစပ်မှု၊ နှင့် အသက်-သိပ္ပံသုတေသနများအထိ မော်ဒယ်ကို အတွင်းပိုင်း၌ အသုံးပြုထားပြီးဖြစ်ကြောင်း ကုမ္ပဏီက ပြောကြားခဲ့သည်။

မော်ဒယ်ကို Google ၏ AI ထုတ်ကုန်များနှင့် Gemini API တို့မှ ရရှိနိုင်ကာ စက်ရုပ်အော်ပရေတာများအတွက် ပို့ဆောင်ရေးထုတ်ကုန်အဖြစ်မဟုတ်ဘဲ မော်ဒယ်၏ ရုပ်ပိုင်းဆိုင်ရာနားလည်မှုကို သက်သေအဖြစ် ပြသထားသည့် စက်ရုပ်သရုပ်ပြမှုဖြင့် ရရှိနိုင်မည်ဖြစ်သည်။

Humanoid လုပ်ငန်းအတွက် အဘယ်ကြောင့် အရေးကြီးသနည်း။

Apptronik သည် အထင်ရှားဆုံးသော ကစားသမားများထဲမှ တစ်ခုဖြစ်သော ကြီးထွားလာနေသော လူသားဆန်သော စက်ရုပ်ကဏ္ဍအတွက် - ရလဒ်များသည် သတ်မှတ်ထားသော အနီးနားတန်ဖိုး အဆိုပြုချက်ဆီသို့ ညွှန်ပြသည်- passive ဗီဒီယိုကို လေ့ကျင့်နိုင်သော သရုပ်ဖော်မှုများအဖြစ် ပြောင်းလဲနိုင်သည့် အထွေထွေ ရည်ရွယ်ချက် AI မော်ဒယ်များသည် စက်ရုပ်များကို အလုပ်အသစ်များ သင်ကြားပေးခြင်း၏ ကုန်ကျစရိတ်ကို သိသိသာသာ လျှော့ချနိုင်သည်၊ ယနေ့ အထင်ကြီးလောက်သော ဒီမိုများနှင့် စီးပွားရေးအရ အသုံးဝင်သော အသုံးချမှုတို့ကြား အဓိက အတားအဆီးဖြစ်သည်။

DeepMind ၏ကိုယ်ပိုင်ဘောင်သည် တူညီသောအချက်ကို အလေးပေးသည်။ အဆိုပါ သရုပ်ပြမှုတွင် စက်ရုပ်ပိုင်းဆိုင်ရာ ကျွမ်းကျင်မှုအသစ်များကို သင်ကြားရန် စက်ရုပ်များကို သင်ကြားရန် လိုအပ်သော ယေဘုယျ ရည်ရွယ်ချက်ဖြင့် အင်ဂျင်နီယာဆိုင်ရာ ပမာဏကို မည်ကဲ့သို့ လျှော့ချနိုင်သည်ကို ပြသခဲ့ကြောင်း ကုမ္ပဏီက ပြောကြားခဲ့သည်။

ထောင့်ကန်တွင်း ခုနစ်ချက်ရိုက်ချက်သည် ဂိုဒေါင်အတွင်း ပက်ကေ့ခ်ျများကို ရွှေ့မည်မဟုတ်ပါ။ သို့သော် ၎င်းတို့ကို ထုတ်လုပ်ပေးသော ပိုက်လိုင်းသည် ဗီဒီယိုကြည့်ရန်၊ ရူပဗေဒကို နားလည်ရန်၊ သရုပ်ဖော်ပုံကို ရေးရန်၊ ဟာ့ဒ်ဝဲသို့ လွှဲပြောင်းခြင်း—သည် စက်ရုပ်ကုမ္ပဏီများနှင့် ၎င်းတို့၏ ရင်းနှီးမြှုပ်နှံသူများ ကြည့်ရှုရမည့် အပိုင်းဖြစ်သည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →