Google เปิด Gemini Robotics ER 2 หุ่นยนต์ AI คิดเป็น-ทำงานร่วมกันได้หลายตัว

Google เปิดตัว Gemini Robotics ER 2 โมเดลปัญญาประดิษฐ์ด้านหุ่นยนต์ (Embodied Reasoning) รุ่นใหม่ ที่ถูกออกแบบให้เป็น "สมองระดับสูง" ของหุ่นยนต์ สามารถเข้าใจวิดีโอ วางแผนการทำงานหลายขั้นตอน ประสานการทำงานของหุ่นยนต์หลายตัว และตัดสินใจแบบเรียลไทม์ เพื่อเร่งการพัฒนา Physical AI ให้สามารถทำงานในโลกจริงได้อย่างมีประสิทธิภาพมากขึ้น

การเปิดตัวครั้งนี้ถือเป็นการอัปเกรดครั้งใหญ่จาก Gemini Robotics ER 1.6 โดย Google ระบุว่า หุ่นยนต์ในอนาคตจะต้องมีความสามารถมากกว่าการรับรู้สภาพแวดล้อมหรือการประมวลผลเชิงพื้นที่ (Spatial Reasoning) แต่ต้องสามารถคิด วิเคราะห์ และปรับเปลี่ยนแผนการทำงานได้ทันกับสถานการณ์จริง

เปลี่ยนหุ่นยนต์ให้ "คิด" ได้เหมือนผู้ช่วยมนุษย์

Gemini Robotics ER 2 ทำหน้าที่เสมือนสมองส่วนกลางของหุ่นยนต์ โดยสามารถสนทนากับมนุษย์ เข้าใจสภาพแวดล้อม วิเคราะห์ลำดับงานที่ซับซ้อน และส่งคำสั่งไปยังโมเดลควบคุมการเคลื่อนไหวระดับล่าง (Vision-Language-Action หรือ VLA) เพื่อปฏิบัติงานจริง

นอกจากนี้ โมเดลยังสามารถเรียกใช้งานเครื่องมือภายนอก เช่น Google Search หรือ API ที่นักพัฒนาสร้างขึ้นเอง เพื่อค้นหาข้อมูลหรือดำเนินงานเพิ่มเติม ส่งผลให้หุ่นยนต์สามารถ "คิดไป ทำไป" ได้พร้อมกัน โดยไม่ต้องหยุดรอการประมวลผลระหว่างขั้นตอน

เข้าใจวิดีโอ ติดตามงาน และแก้ปัญหาได้เอง

หนึ่งในความสามารถใหม่ของ Gemini Robotics ER 2 คือการวิเคราะห์วิดีโอแบบต่อเนื่อง ทำให้หุ่นยนต์สามารถติดตามความคืบหน้าของงาน ตรวจจับข้อผิดพลาด และตัดสินใจเปลี่ยนไปยังขั้นตอนถัดไปได้อย่างเหมาะสม

ตัวอย่างเช่น หากระหว่างการหยิบสิ่งของเกิดการลื่นหลุด น้ำหก หรือวางผิดตำแหน่ง หุ่นยนต์จะสามารถตรวจจับเหตุการณ์ดังกล่าวและแก้ไขการทำงานได้เอง โดยไม่จำเป็นต้องเริ่มกระบวนการใหม่ทั้งหมด

Google ระบุว่าความสามารถดังกล่าวช่วยเพิ่มประสิทธิภาพของระบบ Moment-finding ซึ่งเป็นเทคโนโลยีสำหรับระบุช่วงเวลาสำคัญในวิดีโอ เช่น การรู้ว่าควรหยุดเทกาแฟลงแก้วเมื่อใด หรือควรเปลี่ยนไปทำขั้นตอนถัดไปเมื่อไร

รองรับ AI Agent สำหรับโลกกายภาพ

Google ระบุว่า Gemini Robotics ER 2 ถูกออกแบบให้ทำหน้าที่เป็น Physical Agent สำหรับงานในโลกจริง โดยสามารถจัดลำดับงานหลายขั้นตอน ควบคุมเครื่องมือหลายประเภท และจัดการระบบหุ่นยนต์ผ่านอินเทอร์เฟซมาตรฐาน เช่น โมเดล VLA และ Navigation API

นักพัฒนาสามารถส่งข้อมูลได้ทั้งวิดีโอ เสียง และข้อความเข้าสู่โมเดล เพื่อให้ AI วิเคราะห์สถานการณ์และบริหารเครื่องมือต่าง ๆ ได้แบบอัตโนมัติ พร้อมรองรับการทดสอบผ่านระบบจำลอง (Simulation) การควบคุมหุ่นยนต์จริง หรือการทำงานร่วมกับผู้ควบคุมระยะไกล

อีกจุดเด่นคือการเชื่อมต่อกับ Gemini Live API ผ่านระบบ Bidirectional Streaming ที่ช่วยลดความหน่วงในการประมวลผล ทำให้หุ่นยนต์สามารถตอบสนองต่อเหตุการณ์ได้ต่อเนื่องโดยแทบไม่มีช่วงเวลาหยุดคิด

หุ่นยนต์หลายตัวทำงานร่วมกันได้

Google ยังเพิ่มความสามารถ Multi-Robot Collaboration ให้ Gemini Robotics ER 2 สามารถบริหารจัดการหุ่นยนต์หลายประเภทในพื้นที่เดียวกัน ไม่ว่าจะเป็นหุ่นยนต์ล้อเลื่อน หุ่นยนต์แขนกล หรือหุ่นยนต์ฮิวมานอยด์

ระบบจะช่วยให้หุ่นยนต์แต่ละตัวเข้าใจบริบทเดียวกัน แบ่งหน้าที่ และส่งต่องานระหว่างกัน เพื่อดำเนินภารกิจที่มีความซับซ้อนเกินกว่าหุ่นยนต์เพียงตัวเดียวจะทำได้

Google ได้สาธิตการทำงานร่วมกับหุ่นยนต์ Spot ของ Boston Dynamics โดยใช้ Gemini Robotics ER 2 ควบคุมการนำทางและแขนกล เพื่อให้หุ่นยนต์สามารถเดินไปหยิบสิ่งของและโต้ตอบกับมนุษย์ได้อย่างเป็นธรรมชาติ

เพิ่มความแม่นยำด้าน Spatial Intelligence

Gemini Robotics ER 2 ยังยกระดับความสามารถด้านการรับรู้พื้นที่ผ่านเกณฑ์วัดใหม่หลายด้าน ได้แก่

• วิเคราะห์ความสำเร็จหรือความล้มเหลวของภารกิจจากวิดีโอสด แทนการประเมินจากภาพนิ่ง
• อ่านเครื่องมือวัดได้หลากหลายกว่าเดิม ทั้งหน้าจอดิจิทัล ไม้บรรทัด เทอร์โมมิเตอร์ และอุปกรณ์วัดมากกว่า 10 ประเภท
• พัฒนาความสามารถด้าน Visual Question Answering (VQA) ให้เข้าใจความสัมพันธ์ของวัตถุและสภาพแวดล้อมได้แม่นยำขึ้น

ยกระดับมาตรฐานความปลอดภัยของหุ่นยนต์

Google ระบุว่า Gemini Robotics ER 2 เป็นโมเดลหุ่นยนต์ที่ปลอดภัยที่สุดของบริษัทในปัจจุบัน โดยมีคะแนนประเมินด้าน Safety Instruction Following และ Human Proximity สูงกว่ารุ่นก่อนอย่างมีนัยสำคัญ

ระบบสามารถตรวจจับการเข้าใกล้ของมนุษย์และสั่งหยุดการทำงานของหุ่นยนต์ทันทีเมื่อพบความเสี่ยง ก่อนจะกลับมาทำงานต่อโดยอัตโนมัติเมื่อพื้นที่ปลอดภัย

นอกจากนี้ Google ยังเปิดตัวเกณฑ์มาตรฐานใหม่สำหรับประเมิน Foundation Model ที่ทำหน้าที่บริหารระบบ VLA โดยพิจารณาความสามารถในการบังคับใช้ข้อจำกัดด้านความปลอดภัย การเฝ้าระวังสิ่งแวดล้อม การประเมินความเป็นไปได้ทางกายภาพ และการขอข้อมูลเพิ่มเติมจากมนุษย์เมื่อเกิดความไม่แน่ใจ

เปิดให้นักพัฒนาใช้งานแล้ว

ปัจจุบัน Google เปิดให้ Gemini Robotics ER 2 ใช้งานทั่วไปผ่าน Gemini API และ Google AI Studio พร้อมเปิดให้ลูกค้าองค์กรบางส่วนใช้งานในรูปแบบ Private Preview บน Gemini Enterprise Agent Platform รวมถึงเผยแพร่ตัวอย่าง Prompt และแนวทางการพัฒนา Physical AI เพื่อช่วยให้นักพัฒนาสามารถสร้างระบบหุ่นยนต์อัจฉริยะได้รวดเร็วยิ่งขึ้น

Google ระบุว่า เป้าหมายต่อไปคือการผลักดันให้โมเดลรองรับภารกิจที่ซับซ้อนมากขึ้น เพื่อเร่งการพัฒนาหุ่นยนต์ที่สามารถทำงานร่วมกับมนุษย์ได้อย่างปลอดภัย มีประสิทธิภาพ และพร้อมใช้งานในภาคอุตสาหกรรมและชีวิตประจำวันในอนาคต