Google DeepMind 近期發布 Gemini Robotics 1.5 與 Gemini Robotics-ER 1.5 兩款 AI 模型，讓機械人不再只是「執行單一步驟指令」工具，而是可以在實際行動前先「思考」如何完成更複雜、涉及多步驟真實世界任務。Google DeepMind 機械人部門主管 Carolina Parada 表示，這標誌機械人已經發展到對物理任務具備「真正理解和問題解決」能力，因此被視為通用型機械人邁向實用化與智慧化重要里程碑。
雙模型協作突破訓練限制
Gemini Robotics 1.5 系列模型實現多項技術突破，能處理多步驟任務，例如依照顏色將衣物分類，或是協助打包行李。這些突破背後，仰賴兩個模型分工合作：Gemini Robotics-ER 1.5 作為具身推理模型，負責高階規劃與邏輯決策；Gemini Robotics 1.5 則是「視覺–語言–動作」模型，可以同時結合影像輸入、語言指令與動作輸出，負責將規劃轉化為實際操作指令。
更重要是，這些模型還能直接使用 Google 搜尋，以獲取完成任務所需額外資料，例如機械人可以先查詢三藩市垃圾回收規範，再依據規定進行垃圾分類。另一項名為「動作轉移」技術更進一步突破訓練限制，這項技術允許 AI 把針對特定機械人設計技能，轉移到其他不同型態機械人上，且不必重新進行繁瑣客製化訓練。
實際應用展現智能化表現
Gemini Robotics 1.5 系列模型技術突破，最終目標是讓機械人能在日常生活中執行更多元任務。在家庭場域內，機械人可以依照顏色將衣物分類；在示範打包行李過程中，當 Google DeepMind 研究人員要求機械人放入帽子時，機械人不僅完成指令，還透過 Google 搜尋目的地天氣，並主動幫研究人員多放入一把雨傘。
系統展現跨平台學習能力，分配給 ALOHA2 機械人技能，可以無縫轉移到雙臂 Franka 機械人和 Apptronik 人形機械人 Apollo 上。Google DeepMind 機械人首席軟件工程師 Kanishka Rao 指出：「這讓我們能夠用一個模型支援各種不同機械人，包括人形機械人，同時一個機械人學到技能現在可以轉移到另一個機械人上」。
產業反應與學術觀點
面對機械人技術新突破，科技產業也期待這些進展能推動醫療、製造等產業轉型，讓機械人扮演更重要角色。牛津大學應用人工智能教授 Ingmar Posner 認為，機械人能夠從網路數據中學習，這可能意味著機械人即將迎來「ChatGPT 時刻」。
然而，曼徹斯特機械人與人工智能中心聯合主任 Angelo Cangelosi 則提醒，這些行為不應被過度解讀為真正思考，因為機械人進行「推理」其實只是發現像素、影像、詞彙與標記之間規律。
技術挑戰與安全考量
儘管技術已取得顯著突破，通用型機械人要從實驗室走向普及仍挑戰重重。「製造通用機械人主要挑戰之一是，人類直覺事情對機械人來說實際上相當困難」Google DeepMind 機械人首席軟件工程師 Kanishka Rao 說。DeepMind 也承認，機械人需要在靈巧度、可靠性與安全性方面進一步提升，才能在與人類共處環境中安全運作。
隨著具身 AI 潛力逐步釋放，安全性與人機互動規範也亟需建立，因此 DeepMind 正開發新安全與校準方法，確保這些機械人能以負責任方式運行，考量行動風險，並遵循 Gemini 安全政策。目前 Gemini Robotics-ER 1.5 已向開發者開放，但實際控制機械人 Gemini Robotics 1.5 模型仍僅限於特定合作夥伴使用。
來源：TechOrange
分享到 :
最新影片
