Gemini Robotics ER 2 มาแล้ว สมองกล AI จาก DeepMind ดูวิดีโอเป็น แก้งานผิดเองได้ สั่งหุ่นยนต์หลายตัวทำงานร่วมกันได้

หุ่นยนต์ที่จับแก้วน้ำได้แม่นยำ แต่ไม่รู้ว่าตัวเองทำงานถึงขั้นไหนแล้ว หรือควรขยับไปทำสเต็ปต่อไปเมื่อไหร่ คือปัญหาที่ทำให้หุ่นยนต์ในโลกจริงยังทำงานหลายขั้นตอนต่อเนื่องได้ยาก เพราะการเข้าใจพื้นที่ (Spatial Reasoning) อย่างเดียวไม่พอ หุ่นยนต์ยังต้องคิดให้ทันความเร็วของโลกจริงที่เหตุการณ์เกิดขึ้นตลอดเวลาด้วย

Google DeepMind เปิดตัว Gemini Robotics ER 2 โมเดล Embodied Reasoning รุ่นใหม่ที่ทำหน้าที่เป็นสมองส่วนวางแผนระดับสูงให้หุ่นยนต์ จุดที่ก้าวกระโดดจากเดิมคือความสามารถด้านการเข้าใจวิดีโอ การสั่งงานเครื่องมือต่าง ๆ และการทำให้หุ่นยนต์หลายตัวทำงานร่วมกันได้ในพื้นที่เดียวกัน โดยเปิดให้นักพัฒนาเข้าถึงได้ทันทีผ่าน API ของ Gemini และ Google AI Studio

สมองสั่งการ vs กล้ามเนื้อลงมือ แบ่งงานกันคนละชั้น

หัวใจของแนวคิดนี้คือการแยกบทบาทระหว่าง 'ตัวคิด' กับ 'ตัวทำ' ออกจากกันอย่างชัดเจน Gemini Robotics ER 2 เปรียบเสมือนสมองระดับสูงที่ทำหน้าที่พูดคุยกับมนุษย์ เข้าใจสภาพแวดล้อมทางกายภาพ และวางแผนงานที่มีหลายขั้นตอน จากนั้นจึงส่งต่อการควบคุมการเคลื่อนไหวจริง ๆ ให้กับโมเดลระดับล่างที่เรียกว่า Vision-Language-Action (VLA) ซึ่งเป็นโมเดลที่แปลงภาพและคำสั่งเป็นคำสั่งควบคุมมอเตอร์โดยตรง

ตามข้อมูลของ Google DeepMind ระบุว่าจุดเด่นของการออกแบบนี้คือหุ่นยนต์สามารถ 'คิดถึงสิ่งที่จะทำต่อไปพร้อมกับที่กำลังลงมือทำอยู่' ได้ในเวลาเดียวกัน ไม่ต้องหยุดคิดแล้วค่อยทำเป็นจังหวะ ๆ นอกจากนี้ ER 2 ยังเรียกใช้เครื่องมือได้ในตัว เช่น ค้นข้อมูลผ่าน Google Search หรือเรียกฟังก์ชันที่นักพัฒนากำหนดเองขึ้นมา ทำให้หุ่นยนต์ไม่ได้ทำงานอยู่กับข้อมูลในหัวเพียงอย่างเดียว แต่ดึงข้อมูลจากภายนอกมาประกอบการตัดสินใจได้

การวางสถาปัตยกรรมแบบนี้หมายความว่านักพัฒนาสามารถประกาศให้อินเทอร์เฟซควบคุมระดับล่าง ไม่ว่าจะเป็นโมเดล VLA หรือ API สำหรับการนำทางกลายเป็นเครื่องมือที่ ER 2 หยิบมาใช้ได้ แล้วป้อนวิดีโอ เสียง หรือข้อความหลายรูปแบบ (Multimodal) เข้าไปที่โมเดลโดยตรง

ดูวิดีโอต่อเนื่อง รู้ว่างานถึงไหน และแก้เองเมื่อพลาด

ความแตกต่างสำคัญจากรุ่นก่อนหน้าอย่าง Gemini Robotics ER 1.6 อยู่ที่การเข้าใจวิดีโอแบบต่อเนื่อง แทนที่จะอ่านสถานการณ์จากภาพนิ่งเป็นช็อต ๆ ER 2 สามารถดูภาพจากกล้องแบบเรียลไทม์ เพื่อติดตามว่าตัวเองทำงานคืบหน้าไปถึงขั้นไหน ปรับตัวเมื่อเกิดข้อผิดพลาด และรู้ว่าควรขยับไปทำสเต็ปถัดไปเมื่อใด

ความสามารถนี้สะท้อนผ่านตัวเลขทดสอบที่ Google เปิดเผย ในการจำแนกความคืบหน้าของงานแบบต่อเนื่อง (Progress Classification) ที่แบ่งระดับความสำเร็จตั้งแต่ 0 ถึง 100% ออกเป็นห้าระดับ ER 2 ทำความแม่นยำได้ 57.4% ทำให้หุ่นยนต์ปรับการทำงานได้ทันทีโดยไม่ต้องเริ่มขั้นตอนใหม่ทั้งหมด ส่วนความสามารถในการหาช่วงเวลาสำคัญในวิดีโอ (Moment-Finding) ซึ่งก็คือการชี้ว่าเฟรมไหนคือจังหวะที่เหตุการณ์สำคัญเกิดขึ้น ทำได้แม่นยำถึง 91.3% โดยมีค่าคลาดเคลื่อนเฉลี่ยเพียง 0.96 วินาที และทำงานได้เร็วกว่าโมเดลขนาดใหญ่ที่เป็นคู่แข่งถึงราว 4 เท่า ด้วยความหน่วงระดับต่ำกว่าหนึ่งวินาที

ด้านความปลอดภัย รายงานของ MarkTechPost ระบุว่า ER 2 ทำคะแนนสูงสุดในการทดสอบการปฏิบัติตามคำสั่งด้านความปลอดภัย (Safety Instruction Following) และมีความสามารถตรวจจับเมื่อมีมนุษย์เข้าใกล้ (Human Proximity) เพื่อสั่งให้หุ่นยนต์ฮิวแมนนอยด์หยุดทำงาน แล้วกลับมาทำงานต่อเองเมื่อพื้นที่ปลอดคนแล้ว

หุ่นยนต์คนละแบบ จับมือทำงานร่วมกัน

อีกหนึ่งของใหม่ที่มากับ ER 2 คือการทำงานร่วมกันของหุ่นยนต์หลายตัว (Multi-Robot Collaboration) ซึ่งเปิดทางให้หุ่นยนต์ต่างชนิดทำงานร่วมกันในพื้นที่เดียวกัน เพื่อทำเวิร์กโฟลว์ที่ซับซ้อนเกินกว่าหุ่นยนต์ตัวเดียวจะทำได้ โดยอาศัยความเข้าใจเชิงความหมายร่วมกัน (Shared Semantic Understanding) แล้วส่งต่องานย่อยระหว่างกัน

Google สาธิตความสามารถนี้ด้วยการจับคู่หุ่นยนต์ฮิวแมนนอยด์ Apollo 2 ของ Apptronik เข้ากับหุ่นยนต์แขนกลเคลื่อนที่ Franka F3 Duo ให้ทำงานประสานกันจนจบเวิร์กโฟลว์ ตัวอย่างนี้ชี้ว่าโมเดลเดียวสามารถประสานงานข้ามแพลตฟอร์มฮาร์ดแวร์ที่มีรูปร่างและความสามารถต่างกันได้ ซึ่งเป็นโจทย์ที่ยากกว่าการสั่งหุ่นยนต์ตัวเดียวมาก

ปล่อยพร้อมกันกับโมเดล VLA ที่คุมหุ่นทั้งตัว

Gemini Robotics ER 2 เปิดตัวพร้อมกับ Gemini Robotics 2 ซึ่งเป็นโมเดล VLA ที่ทำหน้าที่ 'ตัวลงมือ' โดย Google DeepMind อธิบายว่าโมเดล VLA ตัวนี้ควบคุมหุ่นยนต์ฮิวแมนนอยด์ได้ตั้งแต่ปลายเท้าจนถึงปลายนิ้ว ครอบคลุมทั้งการควบคุมทั้งตัว (Whole-Body Control) และความคล่องแคล่วของนิ้วมือทั้งห้า

ในการทดสอบ โมเดล VLA แสดงผลบนหุ่นยนต์หลายแพลตฟอร์ม ทั้ง Apollo 2 ที่ใช้มือรุ่น SharpaWave และ Inspire รวมถึงแพลตฟอร์มแขนกลคู่ Franka Duo ที่ใช้กริปเปอร์ของ Robotiq โดยงานที่ต้องใช้ความละเอียดอย่างการหมุนถอดหลอดไฟทำสำเร็จได้ 92% ขณะที่งานยาก ๆ อย่างการมัดปากถุงขยะยังอยู่ที่ 44% และการปิดผนึกซิปล็อกอยู่ที่ 40% สะท้อนว่างานที่ต้องใช้ความแม่นยำของนิ้วมือระดับสูงยังเป็นโจทย์ที่ท้าทาย

การแบ่งบทบาทชัดเจนคือ ER 2 เป็นสมองที่เข้าใจบริบท สื่อสารกับมนุษย์ และวางแผนงานหลายขั้นตอนที่กินเวลาหลายนาที ก่อนส่งไม้ต่อให้ VLA ลงมือควบคุมมอเตอร์จริง

เปิดให้นักพัฒนาใช้แล้ว ผ่าน API และ AI Studio

ปัจจุบัน Gemini Robotics ER 2 เปิดให้นักพัฒนาใช้งานทั่วไปได้แล้วผ่าน Gemini API และ Google AI Studio รวมถึงเปิดแบบ Private Preview บน Gemini Enterprise Agent Platform ตามเอกสารสำหรับนักพัฒนาของ Google โมเดลนี้มีสองเวอร์ชัน ได้แก่ gemini-robotics-er-2-preview ซึ่งเป็นตัวมาตรฐานที่รองรับทั้งการเรียกฟังก์ชัน (Function Calling) การรันโค้ด และผลลัพธ์แบบมีโครงสร้าง และ gemini-robotics-er-2-streaming-preview ที่ปรับมาเพื่อการสตรีมแบบเรียลไทม์ผ่าน Live API โดยเน้นความหน่วงต่ำสำหรับงานที่ต้องตอบสนองทันที

โมเดลรองรับอินพุตทั้งข้อความ ภาพ วิดีโอ และเสียง แล้วให้ผลลัพธ์ออกมาเป็นข้อความ ตัวอย่างการใช้งานที่ Google ยกมาคือ คำสั่งอย่าง 'เอาแอปเปิลใส่ชาม' จะถูกโมเดลแตกออกเป็นลำดับขั้นย่อย ตั้งแต่ค้นหาตำแหน่ง หยิบจับ ไปจนถึงวาง แล้วสั่งงานผ่านฟังก์ชันของหุ่นยนต์หรือโค้ดที่โมเดลสร้างขึ้นเอง ส่วนโมเดล VLA และ On-Device ยังเปิดให้เฉพาะพาร์ตเนอร์กลุ่ม Early Access และผู้ทดสอบที่ได้รับสิทธิ์เท่านั้น

ที่มา: Google DeepMind, Google DeepMind Blog, Google AI for Developers, MarkTechPost