پژوهشگران دیپ مایند معتقدند این نقطه آغاز عصر تازه ای از ربات های هوشمند است. سامانه های هوش مصنوعی مولد که متن، تصویر، صدا و حتی ویدئو تولید می کنند، حالا به بخشی رایج از زندگی دیجیتال بدل شده اند. همان طور که مدل های هوش مصنوعی داده های مختلف را تولید می کنند، می توان از آن ها برای ایجاد کنش در ربات ها هم استفاده کرد. این ایده اساس پروژه جمینای رباتیک (Gemini Robotics) دیپ مایند است که اکنون از دو مدل تازه رونمایی کرده است؛ این مدل ها در کنار هم نخستین ربات هایی را می سارند که پیش از عمل کردن، فکر می کنند.

هوش مصنوعی مولد برای رباتیک نقشی کلیدی دارد، زیرا کارکرد عمومی را به وجود می آورد. ربات های امروزی باید به طور گسترده برای وظایف مشخص آموزش ببینند و معمولاً در انجام کارهای دیگری، به جز آنچه که برای آن آموزش دیده اند عملکرد خوبی ندارند. کارولینا پارادا، رییس بخش رباتیک دیپ مایند می گوید: ربات های امروز بسیار سفارشی هستند و استفاده از آن ها دشوار است؛ اغلب ماه ها طول می کشد تا یک واحد رباتیک تنها برای انجام یک وظیفه نصب و آماده شود.

اما اساس سیستم های مولد باعث می شود ربات های هوش مصنوعی انعطاف پذیرتر شوند. این ربات ها بدون آنکه نیازی به تنظیمات دوباره داشته باشند، می توانند با موقعیت ها و محیط های کاری کاملاً تازه روبه رو شوند داشته باشند. رویکرد فعلی دیپ مایند بر دو مدل استوار است، مدلی که فکر می کند و مدل دیگری که اجرا می کند؛ این دو مدل تازه با نام های Gemini Robotics 1.5 و Gemini Robotics-ER 1.5 معرفی شده اند. مدل اول یک مدل دیداری-زبانی-کنشی (VLA) است که از داده های تصویری و متنی برای تولید کنش های رباتیک استفاده می کند. مدل دوم که ER در آن مخفف Embodied Reasoning یا استدلال تجسم یافته است، یک مدل دیداری-زبانی (VLM) به شمار می آید که ورودی های تصویری و متنی را می گیرد و گام های لازم برای انجام یک وظیفه پیچیده را تولید می کند.

مدل Gemini Robotics-ER 1.5 نخستین هوش مصنوعی رباتیکی است که توانایی استدلال شبیه سازی شده مشابه چت بات های متنی مدرن را دارد. دیپ مایند این قابلیت را تفکر می نامد، هرچند در دنیای هوش مصنوعی مولد، این اصطلاح کمی اغراق آمیز است. به گفته دیپ مایند، این مدل در آزمون های دانشگاهی و داخلی امتیاز بالایی کسب کرده و نشان داده است که می تواند درباره تعامل با فضای فیزیکی تصمیم های دقیقی بگیرد. البته خودش اقدامی انجام نمی دهد؛ اینجا پای مدل Gemini Robotics 1.5 به میان می آید.

برای نمونه، تصور کنید می خواهید رباتی لباس ها را به دو گروه سفید و رنگی دسته بندی کند. مدل ER درخواست شما و تصاویر محیط (مثلاً انبوهی از لباس ها) را پردازش می کند. این مدل می تواند برای تکمیل داده ها از ابزارهایی مانند جست وجوی گوگل هم استفاده کند. سپس دستورالعملی به زبان طبیعی و مجموعه ای از گام های مشخص برای انجام وظیفه تولید می کند.

مدل Gemini Robotics 1.5 (مدل اجرایی) این دستورالعمل ها را دریافت کرده و با بهره گیری از ورودی تصویری، حرکات ربات را تولید می کند. این مدل علاوه بر اجرا، یک فرآیند تفکر داخلی دارد تا تصمیم بگیرد هر مرحله را چگونه پیش ببرد. کانیشکا رائو، از پژوهشگران دیپ مایند، می گوید: انسان ها برای انجام کارها از نوعی شهود استفاده می کنند، اما ربات ها چنین شهودی ندارند. یکی از پیشرفت های اصلی در نسخه 1.5 این مدل VLA همین توانایی فکر کردن پیش از عمل است.

هر دو مدل تازه رباتیک دیپ مایند بر اساس مدل های پایه جمنای ساخته شده اند و با داده هایی بهینه سازی شده اند که آن ها را برای کار در فضای فیزیکی سازگار می کند. این رویکرد به ربات ها توانایی انجام وظایف پیچیده چندمرحله ای را می دهد و قابلیت های عامل محور را وارد دنیای رباتیک می کند.

با وجود همه این پیشرفت ها، هنوز تا روزی که بتوانید به رباتی دستور دهید لباس هایتان را بشوید فاصله زیادی داریم. مدل Gemini Robotics 1.5 که واقعاً ربات ها را کنترل می کند، فعلاً فقط در اختیار گروه محدودی از آزمایش کنندگان مورد اعتماد است. اما مدل ER اکنون در Google AI Studio عرضه شده و به توسعه دهندگان این امکان را می دهد که برای آزمایش های رباتیک خود دستورالعمل های رباتیک تولید کنند.