गूगल का नया रोबोट ब्रेन देख सकता है, योजना बना सकता है और अन्य रोबोटों के साथ टीम वर्क कर सकता है

मुख्य बिंदु

• Google DeepMind ने Gemini Robotics ER 2 लॉन्च किया, एक नया 'अवतारित तर्क' मॉडल जो रोबोट के लिए उच्च-स्तरीय मस्तिष्क के रूप में कार्य करता है।
• मॉडल प्रगति वर्गीकरण में 57.4% और क्षण-खोज में 91.3% स्कोर करता है, जो वह सटीक वीडियो फ्रेम खोजता है जब कोई कार्य चरण पूरा होता है।
• यह बहु-रोबोट सहयोग का समर्थन करता है, जिससे एक पहिएदार रोबोट और एक मानवाभ हाथ-मिलाकर साझा समझ के माध्यम से एक कार्य साझा कर सकता है।
• डेवलपर्स अब Gemini API और Google AI Studio के माध्यम से इसे आजमा सकते हैं, साथ ही Gemini Enterprise Agent Platform पर निजी पूर्वावलोकन भी उपलब्ध है।
• एक डेमो मॉडल को Boston Dynamics के Spot रोबोट के साथ जोड़ता है ताकि यह वॉइस कमांड पर वस्तुएं ला सके।

Google DeepMind ने एक नया मॉडल रिलीज किया है जो एक रोबोट के सिर का सोचने वाला हिस्सा बनना चाहता है। इसे Gemini Robotics ER 2 कहा जाता है, जहां ER का मतलब 'अवतारित तर्क' है, जो कहने का एक फैंसी तरीका है कि मॉडल अपने चारों ओर की भौतिक दुनिया को समझता है।

यहां सरल चित्र है। मॉडल रोबोट के कैमरे के माध्यम से देखता है, आपकी सुनता है, चरणों की योजना बनाता है, और फिर एक अलग निम्न-स्तरीय नियंत्रक को बताता है कि वास्तव में बाहों और पहियों को कैसे हिलाया जाए। उस निम्न-स्तरीय नियंत्रक को विजन-लैंग्वेज-एक्शन मॉडल, या VLA कहा जाता है: सॉफ्टवेयर जो एक योजना को विशिष्ट मोटर गतिविधियों में परिवर्तित करता है।

ER 2 को प्रबंधक के रूप में और VLA को हाथों के रूप में सोचें।

यह वास्तव में क्या कर सकता है?

यह निरंतर वीडियो देख सकता है, यह ट्रैक कर सकता है कि एक काम कैसे चल रहा है, और सही समय पर अगले चरण में स्विच कर सकता है। यह पिछले संस्करण, ER 1.6 से मुख्य परिवर्तन है।

मान लीजिए कि एक रोबोट कॉफी डाल रहा है। ER 2 को सटीक फ्रेम देखना चाहिए जहां कप भरा हुआ है और बाहु को रोकने के लिए कहना चाहिए। Google की अपनी परीक्षा इस 'क्षण-खोज' कौशल पर 91.3% सटीकता रखती है, जिसमें एक सेकंड से कम का औसत समय त्रुटि है।

यह कार्य-प्रगति ट्रैकिंग भी संभालता है, प्रत्येक वीडियो फ्रेम को 0% पूरा से 100% पूरा तक पांच बकेट में से एक में छांटता है। यह रोबोट को एक भावना देता है कि 'क्या मैं लगभग वहां हूं, या मैंने गड़बड़ी की है और फिर से कोशिश करने की जरूरत है?'

यह अन्य रोबोट AI से कैसे अलग है?

गति और जॉगलिंग। ER 2 Gemini Live API में प्लग करता है, कम देरी के लिए बनाया गया एक दो-तरफा स्ट्रीमिंग कनेक्शन, इसलिए जब भी रोबोट को सोचना होता है तो वह फ्रीज नहीं होता।

यह कार्य के बीच बाहरी उपकरणों को कॉल कर सकता है, जैसे Google Search, या एक कस्टम फ़ंक्शन जो एक डेवलपर लिखता है। Google ने Spot, Boston Dynamics के पीले चार-पैर वाले रोबोट के साथ एक डेमो दिखाया, जो बोली गई अनुरोध पर पॉपकॉर्न का एक बैग लाता है।

एक और नया ट्रिक: कई रोबोट एक साथ काम कर रहे हैं। एक पहिएदार रोबोट और एक मानवाभ अब काम की शब्दार्थिक समझ साझा कर सकते हैं और एक दूसरे के बीच कार्य हाथ बदल सकते हैं। Google ने इसे Apptronik के Apollo 2 मानवाभ और एक Franka F3 Duo बाहु के साथ दिखाया।

वह संख्याएं जो महत्वपूर्ण हैं

क्षमता	ER 2 स्कोर	इसका मतलब
प्रगति वर्गीकरण	57.4%	यह कितनी अच्छी तरह वीडियो पर कार्य प्रगति को ट्रैक करता है
क्षण-खोज सटीकता	91.3%	सटीक फ्रेम खोजना जब एक घटना होती है
क्षण-खोज समय	0.96s औसत त्रुटि	सबसेकंड प्रतिक्रिया, वास्तविक रोबोटों के लिए तेजी से काफी

इसे कौन उपयोग कर सकता है, और इसकी कीमत क्या है?

डेवलपर्स आज ER 2 तक Gemini API और Google AI Studio के माध्यम से पहुंच सकते हैं, साथ ही Gemini Enterprise Agent Platform पर निजी पूर्वावलोकन भी उपलब्ध है। Google ने प्रति-टोकन रोबोटिक्स मूल्य प्रकाशित नहीं किया है, इसलिए शौकीनों को मानक Gemini API दरें और आप जो भी हार्डवेयर को इंगित करते हैं उसकी प्रत्याशा करनी चाहिए। उदाहरण कोड GitHub पर है।

यह रोबोटिक्स डेवलपर्स और कंपनियों को लक्षित है, उपभोक्ताओं को नहीं। आप Argos पर एक ER 2 रोबोट नहीं खरीद सकते।

सुरक्षा के बारे में क्या?

Google कहता है कि ER 2 इसका अब तक का सबसे सुरक्षित रोबोटिक्स मॉडल है, जिसमें 'सुरक्षा निर्देश पालन' और 'मानव निकटता' पर बेहतर स्कोर हैं, जिसका अर्थ है कि यह लोगों से दूर रहने के बारे में अधिक सावधान है और असुरक्षित आदेशों को अस्वीकार करता है। यह कागज पर आश्वस्त है। वास्तविक परीक्षा घरों, गोदामों और अस्पतालों में होगी, जहां बिखरी हुई कॉफी एक परेशानी है लेकिन गलत गणना की गई बाहु की झूल नहीं है।

एक गोपनीयता नोट सादे शब्दों में: इस मॉडल को चलाने वाला कोई भी रोबोट Google के सर्वर को वीडियो और ऑडियो स्ट्रीम कर रहा है ताकि सोच सके। यदि ये मशीनें किसी दिन आपकी रसोई में आती हैं, तो यह याद रखने के लायक है। अभी के लिए, यह एक डेवलपर टूल है, और कैमरे लैब में हैं।