Gemini Robotics 2 گوگل: چرا گره‌زدن یک کیسه زباله از پشتک‌زدن ربات‌ها سخت‌تر است؟

شاید عجیب به نظر برسد، اما رباتی که یاد می‌گیرد یک کیسه زباله را گره بزند، به یک معنای مهم از رباتی که پشتک می‌زند پیشرفته‌تر است. گوگل دیپ‌مایند در ۳۰ ژوئیه ۲۰۲۶ نسل جدید Gemini Robotics 2 را معرفی کرد و همین تفاوت، دقیقاً همان چیزی است که این مدل را از دموهای وایرال قبلی ربات‌ها جدا می‌کند.

چرا اجراهای پرزرق‌وبرق ربات‌ها گمراه‌کننده‌اند؟

بیشتر ویدیوهای وایرال ربات‌ها، در واقع اجرای یک زنجیره حرکت از‌قبل‌آموخته‌شده هستند؛ ربات مسیر را حفظ کرده و هر بار دقیقاً همان حرکت را تکرار می‌کند. تا وقتی همه‌چیز طبق برنامه پیش برود نتیجه چشمگیر است، اما با کوچک‌ترین تغییر در محیط، ممکن است همان اجرا بشکند.

یک کیسه زباله دقیقاً نقطه مقابل این شرایط است. این کیسه یک شیء تغییرشکل‌پذیر (Deformable Object) است و با هر بار لمس‌شدن شکلش عوض می‌شود؛ پس هیچ دو گره‌ای مثل هم نیستند و ربات نمی‌تواند فقط یک حرکت ثابت را حفظ و تکرار کند. باید هر بار، از نو، بفهمد با چه شکلی طرف است.

رباتی که یک کیسه زباله را گره می‌زند، از رباتی که پشتک می‌زند پیشرفته‌تر است.

Gemini Robotics 2 دقیقاً چطور کار می‌کند؟

گوگل این نسل را در قالب سه مدل جداگانه منتشر کرده که هرکدام نقش متفاوتی دارند.

مدل اول، Gemini Robotics ER 2، یک مدل استدلال فیزیکی (Embodied Reasoning Model) است؛ نقشش دیدن محیط، درک شرایط و برنامه‌ریزی مراحل انجام کار است، چیزی شبیه مغز سطح‌بالای ربات.

این برنامه سپس در اختیار مدل دوم، یعنی Gemini Robotics 2 که یک مدل تصویر-زبان-عمل (VLA) است، قرار می‌گیرد. این مدل تصاویر دوربین را مستقیماً به فرمان‌های حرکتی موتورهای ربات تبدیل می‌کند؛ یعنی فاصله بین «دیدن» و «انجام‌دادن» را پر می‌کند.

مدل سوم، Gemini Robotics On-Device 2، نسخهٔ سبک‌تری است که روی خود ربات و بدون نیاز به اتصال دائم به سرور اجرا می‌شود. نکتهٔ قابل‌توجه دربارهٔ این مدل، سرعت تطبیق آن است: گوگل می‌گوید سازگارکردن آن با یک بدنهٔ رباتیک جدید تنها چند ساعت طول می‌کشد، نه چند ماه.

از یک بازو تا یک ربات انسان‌نمای کامل

نکته مهم دیگر این است که این نسل از Gemini Robotics حالا می‌تواند به‌جای کنترل‌کردن فقط دست‌ها روی یک میز، تمام بدن یک Humanoid Robot یا «ربات انسان‌نما» را هماهنگ کند؛ از پاها تا نوک انگشت‌ها. نسل قبلی عمدتاً بالاتنه را کنترل می‌کرد.

همین موضوع به ربات اجازه می‌دهد کارهایی مثل خم‌شدن، راه‌رفتن یا دسترسی به وسایل روی قفسه را هم انجام دهد؛ کارهایی که تا پیش از این بیرون از توان اکثر دموهای دست‌محور بود.

در سمت مهارت دست هم عدد مشخصی وجود دارد: این سیستم می‌تواند دست‌های پنج‌انگشتی با ۲۲ درجهٔ آزادی را کنترل کند. همین سطح از دقت است که کارهایی مثل گره‌زدن یا پیچاندن یک لامپ را ممکن می‌کند. گوگل این مدل‌ها را روی چند بدنهٔ رباتیک مختلف نشان داده است؛ از جمله ربات انسان‌نمای Apollo 2 و بازوهای Franka Duo.

وقتی دو ربات با هم کار می‌کنند

قابلیتی که در این نسل تازه است و کمتر دربارهٔ آن صحبت شده، همکاری چندرباتی (Multi-robot Collaboration) است. دو ربات می‌توانند با یکدیگر ارتباط برقرار کنند، کار را بین خودشان تقسیم کنند و کاری را به انجام برسانند که هیچ‌کدام به‌تنهایی از پس آن برنمی‌آیند.

این از یک بهبود ساده در مهارت مهم‌تر است؛ چون یعنی مدل باید علاوه بر محیط، وضعیت و نقش یک ربات دیگر را هم در برنامه‌ریزی خودش حساب کند.

ایمنی: بنچمارک ASIMOV یعنی چه؟

در کنار توانایی فیزیکی، گوگل دیپ‌مایند برای سنجش ایمنی این ربات‌ها از خانواده‌ای از تست‌ها به نام ASIMOV استفاده می‌کند؛ نامی که از آیزاک آسیموف و سه قانون معروف رباتیکش در سال ۱۹۴۲ الهام گرفته شده.

نکته مهمی که باید بهش دقت کرد: ASIMOV اجرای مستقیم آن سه قانون داخل کد ربات نیست، بلکه یک مجموعه بنچمارک برای سنجش درک خطر و ایمنی تصمیم‌های ربات در موقعیت‌های واقعی است.

نسخهٔ به‌روزشدهٔ آن، ASIMOV-Agentic، سه چیز مشخص را اندازه می‌گیرد: اینکه ربات بتواند درخواست‌های ناایمن را رد کند، پیش‌بینی کند که آیا انجام یک کار اساساً شدنی است یا نه، و وقتی مطمئن نیست، خودش از انسان کمک بخواهد. این آخری از بقیه مهم‌تر است؛ چون رباتی که می‌داند کِی نمی‌داند، بسیار ایمن‌تر از رباتی است که همیشه تلاش می‌کند.

این فناوری چه معنایی برای آینده دارد؟

این‌ها هنوز دموهای تحقیقاتی‌اند و با رباتی که هر روز، بدون خطا و به‌طور کاملاً مستقل کارهای خانه را انجام دهد فاصله داریم. دسترسی به این مدل‌ها هم عمومی نیست: فقط ER 2 در Google AI Studio به‌صورت پیش‌نمایش عمومی در دسترس است و دو مدل دیگر پشت برنامهٔ شرکای منتخب قرار دارند.

اما جهت‌گیری روشن است: به‌جای حفظ‌کردن حرکت‌های ثابت، مدل‌هایی که محیط را می‌بینند، درک می‌کنند و خودشان را با شرایط متغیر تطبیق می‌دهند.

شاید هوش مصنوعی بعد از تسخیر گوشی‌ها و کامپیوترها، حالا قدم‌به‌قدم دارد وارد دنیای فیزیکی هم می‌شود؛ و این‌بار نقطه شروعش پشتک نیست، یک گره ساده روی یک کیسه زباله است.