Google ra mắt ba mô hình mới biến robot thành 'lao động toàn năng': thích ứng nhanh, điều khiển toàn thân và hợp tác nhóm

Ngày 30 tháng 7, Google DeepMind đã giới thiệu Gemini Robotics 2, phiên bản mới trong dòng mô hình AI (trí tuệ nhân tạo) được thiết kế để điều khiển nhiều loại robot khác nhau, bao gồm cả robot hình người, giúp chúng tự động thích nghi với môi trường khó lường và suy luận về từng hành động, từ đó mở ra hàng loạt tác vụ như dọn rác hay cầm bình tưới nước. Bản cập nhật này bổ sung khả năng điều khiển toàn thân thông minh, sự khéo léo nâng cao và khả năng phối hợp giữa nhiều robot, đánh dấu một giai đoạn mới trong lĩnh vực robot học. Hệ thống Gemini Robotics trước đây có thể điều khiển robot thực hiện các thao tác tinh vi như dán kín túi hay gấp origami, nhưng chỉ giới hạn ở cánh tay và bàn tay robot. Các mô hình mới có thể chạy trực tiếp trên thiết bị và thích nghi với những cấu trúc robot hoàn toàn mới chỉ trong vài giờ, chuyển giao các kỹ năng đã học được sang các nền tảng khác nhau. Chúng cũng cho phép các robot khác nhau phối hợp làm việc để hoàn thành nhiệm vụ nhanh hơn. Google xem đây là một cột mốc hướng tới trí tuệ nhân tạo tổng quát (AGI - Artificial General Intelligence) trong thế giới vật lý, nơi robot có thể làm mọi việc mà con người có thể làm. Các video demo cho thấy robot hình người Apptronik Apollo 2 thực hiện theo lệnh như đặt bình tưới nước lên một chiếc hộp màu xanh lá, cùng các robot khác thực hiện những tác vụ như xếp sách lên kệ, dọn dẹp bảng và đặt băng vào radio. Hệ thống hỗ trợ những bàn tay năm ngón có độ khéo léo cao, như bàn tay SharpaWave với 22 bậc tự do trên Apollo 2, có thể thực hiện các thao tác như thắt nút và dán kín túi zip, cũng như các loại kẹp hai ngón tiêu chuẩn như Franka Duo. Google báo cáo tỷ lệ thành công dao động từ 45,7% đến 76,3% đối với ba nhóm tác vụ thao tác toàn thân, từ 74,2% đến 89,6% đối với ba nhóm tác vụ dùng kẹp Franka Duo, và từ 32% đến 92% đối với các tác vụ dùng tay nhiều ngón. Các video cho thấy robot hoạt động hoàn toàn tự động, trái ngược với robot Optimus của Elon Musk vốn được cho là vẫn cần người điều khiển từ xa. Tuy nhiên, những robot này chưa phải là robot đa năng thực thụ; mỗi tác vụ đều được huấn luyện riêng biệt thông qua điều khiển từ xa, các ví dụ video và mô phỏng. Cách tiếp cận của Google bao gồm ba mô hình riêng biệt: Gemini Robotics 2, một mô hình thị giác-ngôn ngữ-hành động (VLA - Vision-Language-Action) chuyển đổi đầu vào hình ảnh và ngôn ngữ thành lệnh điều khiển động cơ cho toàn thân robot; Gemini Robotics ER 2, một mô hình thị giác-ngôn ngữ (VLM - Vision-Language Model) có khả năng suy luận về hiện thân, đóng vai trò như bộ não trung tâm để giao tiếp, lập kế hoạch cho các tác vụ nhiều bước và cho phép các nhóm robot phối hợp với nhau; và Gemini Robotics On-Device 2, một mô hình VLA dùng để thực thi cục bộ với khả năng thích nghi nhanh với các cấu trúc robot mới, được kế thừa từ Gemini Robotics 1.5. Về mặt an toàn, Google đã giới thiệu ASIMOV-Agentic, một bộ tiêu chuẩn đánh giá (benchmark) dùng để điều phối an toàn cho các tác nhân tự chủ (agentic) và xử lý sự không chắc chắn, đo lường khả năng của tác nhân trong việc từ chối các lệnh gọi công cụ không an toàn và dự đoán khả năng hoàn thành nhiệm vụ. Gemini Robotics ER 2 được đánh giá là mô hình robot an toàn nhất từ trước đến nay, có khả năng phát hiện sự hiện diện của con người ở gần và dừng robot lại khi cần thiết. Phần mềm này chạy trên nhiều loại thân robot, phần lớn được sản xuất tại Trung Quốc, bất chấp những hạn chế gần đây của Mỹ đối với robot do Trung Quốc sản xuất.