Google esitteli 13. lokakuuta Gemini 4 Argonin käyttöä robotiikassa. Yhtiön kehittäjäblogissa kuvataan esimerkkejä, joissa kielimallia käytetään fyysisten tehtävien suunnitteluun, robottien ohjaukseen ja todellisen ympäristön simulointiin. Tavoite on saada järjestelmä ymmärtämään paitsi esineiden nimet myös niiden sijainti, liikkeen rajoitteet ja se, mitä turvallinen toiminta edellyttää.
Yhdessä esimerkissä Boston Dynamicsin Spot-robotti harjoittelee juomatölkkien viemistä poljinroskakoriin. Malli muodostaa roska-astiasta simulaatiomallin, jossa toimintaa voidaan kokeilla ennen fyysistä suoritusta. Tämä on teknisesti kiinnostava yhdistelmä, sillä se tuo tekoälyn suunnittelun, fysiikkasimulaation ja robottiohjauksen lähemmäksi toisiaan.
Google kertoo myös esimerkeistä, joissa robottikäsivarsi suorittaa tehtävänsä kameranäkymän ja ympäristön koordinaattitietojen perusteella. Mallia voidaan lisäksi käyttää kamerasyötteen tulkintaan ja robotin edistymisen arviointiin. Nämä ovat robotiikan kannalta tärkeitä osatehtäviä: robotin täytyy jatkuvasti havaita, onko se tarttunut oikeaan esineeseen ja onko toiminta edennyt toivotulla tavalla.
Yhtiön ilmoituksen mukaan Argon saavuttaa Embodied Reasoning -vertailussa 87 prosentin tuloksen. Vertailuluku on kuitenkin peräisin Googlen esittämästä arvioinnista, eikä yksittäinen mittari riitä osoittamaan todellisten robottien yleispätevää toimintakykyä. Fyysisessä maailmassa eteen tulee häiriöitä, muuttuvia valaistusolosuhteita, epätarkkoja havaintoja ja vaaratilanteita, joita demonstraatio ei välttämättä kata.
Robotiikassa fyysisen maailman oppiminen eroaa merkittävästi tekstin käsittelystä. Pelkkä oikean suunnitelman muodostaminen ei riitä, jos robottikäsi ei mahdu liikkumaan suunniteltua reittiä tai esine liukuu tarttujasta. Tästä syystä simulaation ja todellisen laitteiston välinen ero on keskeinen tutkimusongelma. Mallin on lisäksi huomioitava, mitä sen havainnot eivät kerro.
Googlen esimerkit voivat olla kiinnostavia myös pelimoottorien ja 3D-simuloinnin kehittäjille. Kun tekoäly kykenee muodostamaan fyysisesti perusteltuja simulaatioita, samaa teknologiaa voidaan tutkia digitaalisissa kaksosissa ja automatisoidussa testauksessa. Kaikki tällaiset käyttötavat ovat
kuitenkin vielä erillisiä kehitys- ja tutkimuskysymyksiä. Yhden demonstraation onnistumisesta ei pidä päätellä yleispätevää ratkaisua.
Teollisuudessa tällaiset mallit voivat tulevaisuudessa helpottaa robotin siirtämistä tehtävästä toiseen. Simulaatiossa harjoiteltava toiminto saattaa vähentää kallista kenttäkokeilua, mutta käytännön järjestelmissä tarvitaan edelleen turvallisuussuunnittelua, raja-arvoja, tunnistimia ja ihmisen valvontaa. Itsenäisesti toimiva robotti ei ole sama asia kuin rajatussa ympäristössä onnistunut esittely.
Googlen julkaisu on merkki siitä, että suuret yleismallit pyritään yhdistämään entistä tiiviimmin fyysiseen toimintaan. Jos ratkaisut osoittautuvat toimintavarmoiksi, ne voivat vauhdittaa logistiikkaa, teollista automaatiota ja tutkimusrobotiikkaa. Ratkaisevia jatkokysymyksiä ovat riippumattomat testit, turvallisuus todellisissa ympäristöissä ja ohjelmistojen kustannukset.
