Google DeepMind telah memperkenalkan Robotik Gemini dan Gemini Robotics-ER, dua model AI yang maju yang dibangunkan untuk meningkatkan bagaimana robot belajar dan menyesuaikan diri dengan tugas-tugas fizikal dengan latihan yang minimum.
Pelancaran mereka mencerminkan tumpuan yang semakin meningkat pada keupayaan interaksi dunia nyata dalam sektor model AI yang berkembang.
Membolehkan penyesuaian dengan multimodal AI href=”https://deepmind.google/discover/blog/gemini-robotics-brings-ai-into-the-physical-world/”> Gemini robotics Menggabungkan pengiktirafan visual, pemahaman bahasa semulajadi, dan tindakan pembelajaran untuk memproses; ketinggian=”352″Src=”Data: Image/Svg+Xml; Nitro-empty-id=mtcxntoymduy-1; base64, phn2zyb2awv3qm94psiwidagmtayncaznt Iiihdpzhropssixmdi0iibozwlnahq9ijm1miigeg1sbnm9imh0dha6ly93d3cudzmub3jnlziwmdavc3znij48l3n2zz4=”>
Model menggunakan pendekatan pembelajaran sifar dan beberapa tembakan, yang membolehkan robot mengendalikan tugas tanpa latihan terlebih dahulu atau menyesuaikan diri dengan cepat dari contoh yang minimum. Pendekatan ini dapat membantu industri seperti pembuatan dan logistik dengan meminimumkan kitaran latihan dan memudahkan penggunaan sistem robot yang lebih cepat. Robot yang menggunakan model ini boleh menganalisis persekitaran 3D, meramalkan trajektori objek, dan memahami bagaimana objek berinteraksi dalam ruang. terletak pada kebolehsuaiannya di pelbagai konteks operasi. Robot yang menggunakan model-model ini boleh beralih antara tugas atau menyesuaikan diri dengan persekitaran baru dengan pemrograman semula yang minimum. Keupayaan silang platform ini memudahkan proses skala bagi syarikat-syarikat yang mengintegrasikan robotik maju ke dalam operasi mereka, secara langsung menangani cabaran dalam aliran kerja automasi.
Pada bulan Disember 2024, Carnegie Mellon University memperkenalkan Simulator Kejadian AI, yang mempercepat latihan robot dengan menghasilkan simulasi kompleks sehingga 81 kali lebih cepat daripada keadaan dunia nyata. (Sumber: Kejadian GitHub Page ) Responsif dan kesesuaian. Beroperasi sepenuhnya pada GPU tertanam, Helix membolehkan robot untuk memahami arahan suara, menyesuaikan diri dengan objek yang tidak dikenali, dan bekerjasama dalam masa nyata-tanpa bergantung pada sistem awan.
[Kandungan Embedded]
Microsoft pada bulan Februari mengumumkan model Magma AI, yang memberi tumpuan kepada penyambungan automasi perisian dengan robotik. MAGMA Mengintegrasikan Visi, Bahasa, dan Data Tindakan untuk mengautomasikan aliran kerja dalam persekitaran perindustrian dan perusahaan, meningkatkan kebolehsuaian dan mengurangkan kerumitan operasi.
menggunakan Contoh kes untuk Magma AI (Sumber: Microsoft)
Sementara itu, Meta telah memberi tumpuan kepada menyediakan teknologi AI asas. Pada awal Februari, syarikat itu memperkenalkan model Meta Motivo AI, yang direka untuk meningkatkan ketepatan dan gerakan yang hidup dalam robotik. Pendekatan Meta menyokong pengeluar pihak ketiga dalam membina sistem robot maju.
screenshot Dari Demo Interaktif Motivo Motivo
simulasi memandu lebih cepat AI Development
simulasi telah menjadi komponen utama pembangunan AI, menyediakan persekitaran berisiko rendah untuk memperbaiki tingkah laku robot. Emulator Kejadian membolehkan para penyelidik untuk membuat senario yang realistik dari teks asas yang meminta, mempercepatkan penyesuaian model AI seperti robotik Gemini sebelum penyebaran dunia nyata.
Ini membolehkan sistem AI mengoptimumkan tindakan mereka melalui simulasi berulang, memastikan tingkah laku yang lebih baik dalam keadaan dunia nyata yang tidak dapat diramalkan. Bagi robotik Gemini, teknik ini memastikan kebolehsuaian dan ketepatan merentasi pelbagai tugas dan persekitaran.
Selain pendekatan latihan, keupayaan pemprosesan masa nyata juga menjadi faktor yang menentukan untuk robotik lanjutan. Sistem Helix Rajah AI mencontohkan ini dengan menggunakan GPU tertanam untuk membuat keputusan tempatan, mengurangkan latensi dan membolehkan respons segera. Ini amat penting dalam industri seperti logistik, di mana kebolehsuaian pesat adalah penting untuk kecekapan operasi.
Robotik Gemini Deepmind menggunakan alasan lain yang terkandung untuk membolehkan membuat keputusan konteks. Ini membolehkan robot untuk menyesuaikan tingkah laku mereka berdasarkan data alam sekitar masa nyata, mengurangkan keperluan untuk arahan yang tegar, yang telah ditetapkan. Walaupun model seperti helix dan robotik Gemini dapat meningkatkan kebolehsuaian umum, tugas yang melibatkan dilema etika atau menggunakan objek yang rapuh atau tidak teratur terus menguji penghakiman, ketepatan dan ketepatan robot Prinsip , memberi tumpuan kepada meminimumkan tingkah laku yang tidak diingini dan memastikan robot dapat berinteraksi dengan selamat dengan persekitaran manusia.