Google DeepMind เมื่อวันที่ 30 กรกฎาคม เปิดตัว Gemini Robotics 2 เพื่อให้ AI ลองรับมือกับงานที่มนุษย์มองว่าธรรมดาแต่แท้จริงเต็มไปด้วยตัวแปร: ฟังคำสั่ง เดินไปยังตำแหน่งที่ระบุ หาเอาวัตถุ วางให้เสร็จ แล้วตัดสินใจขั้นตอนต่อไป เมื่อ AI ไม่ได้แค่พูด แต่เริ่ม “ทำ” ผลกระทบเริ่มแรกที่ถูกเปลี่ยนแปลงอาจไม่ใช่งานเอกสารธรรมดา แต่เป็นงานที่ต้องตัดสินใจในพื้นที่จริงจำนวนมาก
ไม่ใช่แค่การทำท่าที่ตั้งไว้
Sอดีตการสาธิตหุ่นยนต์มักเป็นการเต้น การแสดงความคล่องตัว หรือการคีบของบนโต๊ะ ซึ่งเป็นท่าที่ออกแบบไว้ล่วงหน้า แต่สภาพแวดล้อมการทำงานจริงไม่ใช่เวที: กล่องสินค้าอาจไม่ได้วางที่เดิม ทางเดินอาจมีคนผ่าน และพื้นอาจไม่เรียบ
ในตัวอย่างของบริษัท Apptronik ระบบ Apollo 2 เมื่อได้รับคำสั่งว่า “วางกระติกน้ำลงในกล่องสีเขียวบนชั้นล่าง” จะเดินไปที่โต๊ะ หยิบกระติกน้ำ แล้วเคลื่อนไปวางบนชั้นตามที่ระบุ สิ่งสำคัญไม่ใช่เพียงรู้จักหยิบกระติก แต่อยู่ที่การแยกคำสั่งของมนุษย์เป็นขั้นตอนปฏิบัติจริงหลายขั้นตอน แล้วปรับการเคลื่อนไหวตามสถานการณ์หน้างาน
จุดสำคัญไม่ใช่แค่การเคลื่อนที่
Google แยกระบบออกเป็นสามส่วน: Gemini Robotics 2 รับหน้าที่แปลงการมองเห็นและภาษาของมนุษย์ให้เป็นการเคลื่อนไหวของร่างกาย; Gemini Robotics ER 2 รับผิดชอบการเข้าใจสภาพแวดล้อม วางแผนงานหลายขั้นตอน และติดตามความคืบหน้า; ส่วน On-Device 2 สามารถรันบนตัวหุ่นยนต์เองเพื่อลดการพึ่งพาการเชื่อมต่อเครือข่าย
ER 2 ทำหน้าที่เสมือนผู้ประสานงานระดับสูง ไม่ได้แค่รับคำสั่งเช่น “เดินไปข้างหน้า 3 ก้าว” แต่รู้ว่าต้องหาของก่อนแล้วค่อยเคลื่อนที่เพื่อวางในตำแหน่งที่กำหนด และต้องยืนยันระหว่างทางว่าภารกิจสำเร็จหรือไม่ หุ่นยนต์จึงเริ่มจัดการกับเวิร์กโฟลว์ของงานมากกว่าการทำท่าเดี่ยวๆ
คลิปทางการ
คลิปจาก Google DeepMind แสดงให้เห็นว่า Gemini Robotics 2 จัดการการเคลื่อนไหวทั้งตัว การควบคุมชิ้นส่วนเล็ก และการทำงานร่วมกันระหว่างหุ่นยนต์หลายตัวอย่างไร
การทำงานที่ประณีตยังมีข้อจำกัด
จากการสาธิต Gemini Robotics 2 สามารถควบคุมมือหุ่นยนต์ห้านิ้วให้ผูกเชือก ปิดปากถุงอย่างแน่นหนา และใช้ชุดจับต่างๆ เพื่อจัดการวัตถุชนิดต่างๆ แต่ Google ยอมรับว่ายังต้องปรับปรุงความเร็วการเคลื่อนที่และความประณีตในการควบคุมหลายนิ้ว
รายงานที่เกี่ยวข้องระบุว่าระบบยังต้องพึ่งพาการควบคุมระยะไกล วิดีโอสาธิตของมนุษย์ และข้อมูลจากการจำลองเพื่อฝึกฝน ไม่ใช่เพียงดูครั้งเดียวแล้วรู้ทุกอย่าง ขณะนี้การให้บริการแก่ผู้พัฒนาทั่วไปเน้นที่ ER 2 เป็นหลัก ส่วนโมเดลควบคุมทั้งตัวและการรันแบบท้องถิ่นเปิดให้เฉพาะพันธมิตรรายต้นๆ เท่านั้น
เมื่อหุ่นยนต์มีมือมีเท้า การผิดพลาดมีผลร้ายแรง
หากแชตบอทตอบผิด ผู้ใช้อาจปิดหน้าแล้วถามใหม่ แต่เมื่อหุ่นยนต์ตัดสินใจผิด อาจชนคน ทำให้สินค้าหล่น หรือลุกขึ้นทำงานต่อในตำแหน่งที่ไม่เหมาะสม เมื่อ AI มีมือมีเท้า ความปลอดภัยจึงไม่ใช่แค่ความถูกต้องของเนื้อหาอีกต่อไป แต่เป็นการรู้ด้วยว่าควรหยุดเมื่อใด
Google ยังเปิดตัวการประเมินความปลอดภัย ASIMOV-Agentic เพื่อตรวจสอบว่าโมเดลสามารถปฏิเสธคำสั่งที่เป็นอันตราย ตรวจสอบได้ว่างานนั้นทำได้จริงหรือไม่ และขอการแทรกแซงจากมนุษย์เมื่อไม่แน่ใจ ปัญหาที่แท้จริงไม่ใช่เมื่อไหร่ที่หุ่นยนต์จะยกของ แต่เป็นใครที่มีสิทธิ์มอบหมายให้มันยก ใครสามารถสั่งให้มันหยุดทันที และเมื่อเกิดเหตุจะตรวจสอบกระบวนการตัดสินใจย้อนหลังได้หรือไม่