گوگل دیپ‌مایند «جمینی رباتیکس ۲» را عرضه کرد؛ هوش تمام‌بدنی برای مدل‌های هوش مصنوعی فیزیکی

در ۳۰ جولای ۲۰۲۶، یک ربات انسان‌نمای «آپترونیک آپولو ۲» (Apptronik Apollo 2) دستور شفاهی برای تمیز کردن یک اتاق به‌هم‌ریخته دریافت کرد. برای اولین بار، یک مدل هوش مصنوعی واحد محاسبه کرد که چگونه زانوهای ماشین را خم کند، مرکز ثقل خود را جابجا کند، با یک دست پنج انگشتی دراز کند و یک آب‌پاش را بگیرد. این نمایشگر، آغاز عرضه «جمینی رباتیکس ۲» (Gemini Robotics 2)، جدیدترین مجموعه مدل‌های هوش مصنوعی فیزیکی گوگل دیپ‌مایند را رقم زد. این عرضه نشان‌دهنده یک تغییر اساسی در نحوه تعامل ماشین‌ها با دنیای فیزیکی است و از روال‌های سفت و سخت و از پیش برنامه‌ریزی‌شده به سمت سیستم‌هایی حرکت می‌کند که می‌توانند در مورد محیط خود استدلال کرده و در لحظه سازگار شوند.[1][2][3][6]

برای درک اهمیت این پیشرفت، مفید است که به نحوه عملکرد سنتی ربات‌ها نگاه کنیم. اکثر ربات‌های صنعتی متخصص هستند و با دقت کدنویسی شده‌اند تا یک حرکت تکراری واحد را انجام دهند، مانند جوشکاری درب خودرو یا جابجایی یک جعبه در مسیر نقاله ثابت. اگر جعبه‌ای کمی خارج از مکان تعیین‌شده بیفتد، ربات شکست می‌خورد. حتی ویدئوهای وایرال ربات‌های انسان‌نما که پشتک می‌زنند یا پارکور انجام می‌دهند، معمولاً نتیجه برنامه‌نویسی بسیار دقیق و محدودی هستند که برای یک توالی خاص از شاهکارهای فیزیکی طراحی شده‌اند.[1][6]

نسل قبلی مدل‌های رباتیک دیپ‌مایند با معرفی قابلیت‌های بینایی-زبان-عمل (VLA) شروع به تغییر این وضعیت کردند، اما آن‌ها محدود به کنترل قسمت بالایی بدن ربات برای وظایف روی میز بودند. پاها، هسته و سیستم‌های تعادل اساساً همراهی می‌کردند و نیاز به تثبیت یا هدایت ماشین توسط انسان بود. «جمینی رباتیکس ۲» این شکاف را با معرفی آنچه محققان «هوش تمام‌بدنی» می‌نامند، پر می‌کند.[1][5]

کنترل تمام‌بدنی یک چالش عمیق ریاضی و فیزیکی است. وقتی یک انسان برای برداشتن یک شیء سنگین خم می‌شود، به طور غریزی جای پای خود را تنظیم می‌کند، هسته بدن خود را سفت می‌کند و نیروی چنگش لازم برای حفظ تعادل را محاسبه می‌کند. ترجمه این غریزه به رباتیک نیازمند یک سیستم یکپارچه است که کل بدن را به طور همزمان مدیریت کند. «جمینی رباتیکس ۲» این امر را از طریق یادگیری سرتاسری (end-to-end learning) محقق می‌سازد، به این معنی که یک سیاست یادگیری واحد، ورودی‌های دوربین و دستورات شفاهی را پردازش می‌کند و مستقیماً خروجی‌های کنترل موتور را برای پاها، تنه، بازوها و دست‌های چندانگشتی تولید می‌کند.[1][4][5]

معماری که این قابلیت را هدایت می‌کند، یک ساختار واحد نیست، بلکه مجموعه‌ای از سه مدل متمایز است که به صورت هماهنگ کار می‌کنند. موتور اصلی، مدل بینایی-زبان-عمل «جمینی رباتیکس ۲» است که ترجمه آنی نیت به حرکت فیزیکی را انجام می‌دهد. این مدل مستقل از سخت‌افزار است؛ عملکرد آن هم در کنترل کامل ربات انسان‌نمای «آپولو ۲» و هم در یک تنظیمات دو بازویی «فرانکا دوئو» (Franka Duo) مجهز به گیره‌های موازی استاندارد، نشان داده شد.[1][3][5]

بالاتر از مدل بینایی-زبان-عمل، «جمینی رباتیکس ای‌آر ۲» (Gemini Robotics ER 2) قرار دارد، یک مدل استدلال تجسم‌یافته که بر اساس معماری «جمینی ۳.۵ فلش» ساخته شده است. دیپ‌مایند این مدل را به عنوان مغز سطح بالای ربات توصیف می‌کند. «ای‌آر ۲» مسئول پردازش دستورالعمل‌های پیچیده و چندمرحله‌ای کاربر، مشاهده اتاق و تدوین یک برنامه است. این مدل می‌تواند با اپراتور انسانی گفتگو کند، پیشرفت خود را در یک کار پیگیری کند و حتی اقدامات چندین ربات را که در یک فضای مشترک کار می‌کنند، هماهنگ سازد.[1][2][3][4]

جزء سوم به یکی از مهم‌ترین تنگناهای رباتیک مدرن می‌پردازد: تأخیر و اتصال. «جمینی رباتیکس آن-دیوایس ۲» (Gemini Robotics On-Device 2) یک نسخه سبک‌وزن از سیستم است که برای اجرا به صورت محلی روی سخت‌افزار خود ربات بهینه‌سازی شده است، بدون نیاز به اتصال مداوم به سرورهای ابری. این سیستم که بر اساس مدل‌های «جما» (Gemma) گوگل ساخته شده است، می‌تواند تنها در چند ساعت و با استفاده از کمتر از ۲۰۰ نمونه نمایشی، با بدن ربات کاملاً ناآشنا سازگار شود.[2][4]

رویکرد استراتژیک گوگل با این عرضه، موقعیت آن را در صنعت گسترده‌تر رباتیک روشن می‌کند. این شرکت قصد ندارد با ساخت شاسی انسان‌نمای خود، در مسابقه سخت‌افزار پیروز شود. در عوض، دیپ‌مایند «جمینی رباتیکس» را به عنوان لایه هوش جهانی برای ماشین‌هایی که توسط تولیدکنندگان ثالث مانند «آپترونیک»، «بوستون داینامیکس» و «اجایل رباتس» ساخته می‌شوند، قرار داده است. این امر منعکس‌کننده پویایی دوران اولیه تلفن‌های هوشمند است که یک سیستم عامل استاندارد برای اکوسیستم‌های سخت‌افزاری متنوع فراهم می‌کرد.[1][4]

با وجود نمایش‌های چشمگیر، این فناوری هنوز در مراحل اولیه خود قرار دارد و قابلیت اطمینان آن بسته به پیچیدگی وظیفه به طور قابل توجهی متفاوت است. نرخ‌های موفقیت منتشر شده برای ربات «آپولو ۲» با استفاده از مدل جدید، تضاد شدیدی در قابلیت‌ها نشان می‌دهد. در حالی که این سیستم برای باز کردن یک لامپ به نرخ موفقیت ۹۲ درصد دست یافت، عملکرد آن هنگام تلاش برای بستن مجدد لامپ به ۳۶ درصد کاهش یافت و برای جارو کردن زباله‌ها به داخل خاک‌انداز به ۳۲ درصد سقوط کرد. این ارقام بر دشواری مداوم تسلط بر تعاملات پویا و دارای اصطکاک بالا تأکید می‌کنند.[4]

برای رسیدگی به خطرات ذاتی استقرار ماشین‌آلات سنگین و خودمختار در محیط‌های انسانی، دیپ‌مایند یک معیار ایمنی جدید به نام «آسیموف-ایجنتیک» (ASIMOV-Agentic) را در کنار مدل‌ها معرفی کرد. این چارچوب به طور خاص توانایی یک عامل را برای مدیریت عدم قطعیت و سازماندهی رفتار ایمن آزمایش می‌کند. این معیار اندازه‌گیری می‌کند که آیا مدل استدلال تجسم‌یافته می‌تواند با موفقیت یک فراخوانی ابزار ناامن را رد کند، یا به طور فعال یک کار را متوقف کرده و در صورت پیش‌بینی احتمال بالای شکست، درخواست مداخله انسانی کند.[1][2]

تمرکز اصلی مدل جدید بر کنترل حرکتی ظریف است، حوزه‌ای که ربات‌ها به طور تاریخی در آن مشکل داشته‌اند. «جمینی رباتیکس ۲» برای کار با دست «شارپاویو» (SharpaWave) با ۲۲ درجه آزادی آموزش داده شد و به ربات «آپولو ۲» اجازه می‌دهد تا مانورهای ظریفی مانند گره زدن یا بستن یک کیسه زیپ‌دار را انجام دهد. این سطح از مهارت برای وظایف در مراقبت‌های بهداشتی یا محیط‌های خانگی که اشیاء شکننده هستند و محیط‌ها برای دستکاری ماشین استاندارد نشده‌اند، حیاتی است.[1][2][6]

فراتر از قابلیت‌های فردی، مدل استدلال تجسم‌یافته، همکاری چند رباتی را معرفی می‌کند. از آنجایی که «ای‌آر ۲» می‌تواند یک پنجره متنی عظیم از متن، صدا و ویدئوی درهم‌تنیده را پردازش کند، می‌تواند به عنوان یک توزیع‌کننده مرکزی برای ناوگانی از ماشین‌ها عمل کند. اگر کاری برای یک ربات انسان‌نما بسیار پیچیده یا سنگین باشد، مدل استدلال می‌تواند کار را تقسیم کند و به یک ربات دستور دهد که شیئی را ثابت نگه دارد در حالی که ربات دیگر دستکاری لازم را انجام می‌دهد.[1][3][4]

معرفی هوش تمام‌بدنی یک آستانه حیاتی برای هوش مصنوعی تجسم‌یافته است. با فعال کردن ربات‌ها برای استدلال در مورد حرکات خود و سازگاری با محیط‌های غیرقابل پیش‌بینی، این فناوری صنعت را به استقرار دستیاران عمومی در بیمارستان‌ها، انبارها و در نهایت خانه‌ها نزدیک‌تر می‌کند. در حالی که سخت‌افزار و معیارهای قابلیت اطمینان هنوز باید به بلوغ برسند، زیربنای نرم‌افزاری برای اقدام فیزیکی خودمختار و سازگار اکنون محکم برقرار شده است.[1][6]

در نهایت، گذار از برنامه‌نویسی تخصصی به هوش مصنوعی تعمیم‌یافته و تمام‌بدنی، مهم‌ترین تنگنا در رباتیک مدرن را نشان می‌دهد. همانطور که مدل‌هایی مانند «جمینی رباتیکس ۲» به مقیاس‌پذیری ادامه می‌دهند، تمرکز به طور فزاینده‌ای از اینکه آیا یک ربات می‌تواند کاری را انجام دهد، به این سمت تغییر خواهد کرد که چقدر قابل اعتماد و ایمن می‌تواند آن کار را در محیط‌های آشفته و بدون ساختار دنیای واقعی اجرا کند.