Der Wert eines Manometers in einer Fabrik – das klingt einfach, aber früher konnten Roboter das nicht.
Nicht, weil der Roboter das Zifferblatt nicht sehen könnte – er kann Fotos machen und erkennen, dass es sich um ein rundes Messgerät handelt. Aber eine Aussage wie "Der Zeiger zeigt auf 237, die Einheit ist PSI, der aktuelle Wert ist abnormal" erfordert eine Kombination aus visuellem Verständnis, numerischem Denken, Kontextwissen und dem Wissen, was "237 PSI" für das jeweilige Gerät bedeutet.
Google DeepMind veröffentlichte am 15. April Gemini Robotics-ER 1.6 und gab eine konkrete Zahl für diese Fähigkeit an: Die Genauigkeit beim Ablesen von Instrumenten beträgt 86 %, bei Aktivierung von Agentic Vision 93 %. Im Vergleich zur Vorgängerversion? 23 %.
Das ist keine kleine Verbesserung – es ist ein Sprung von "grundsätzlich unbrauchbar" zu "für industrielle Anwendungen geeignet".
Was dieses Modell eigentlich tut
Gemini Robotics-ER steht für Embodied Reasoning, also "verkörpertes Denken" – es ermöglicht KI, nicht nur zu sehen, sondern auf Basis des Gesehenen Aktionen zu planen und zu beurteilen, ob eine Aufgabe erledigt ist.
Version 1.6 verbessert sich in vier Bereichen:
Instrumentenablesung (Instrument Reading)
Dies ist die zentrale neue Fähigkeit. Wenn der Spot-Roboter in einer Fabrik patrouilliert, steht er vor analogen Instrumenten wie Manometern, Thermometern und Füllstandsanzeigen, deren Werte präzise extrahiert werden müssen. Frühere visuelle KI hatte oft Probleme, zwischen "dieses Instrument ist etwa in der Mitte" und "es zeigt genau 237 PSI" zu unterscheiden.
Der Ansatz von 1.6 kombiniert visuelles Denken mit Codeausführung: Zuerst wird ein Screenshot gemacht, dann wird mit Code der Skalenbereich und die Zeigerposition geschätzt, und schließlich wird der Wert ausgegeben – mit einer Genauigkeit von weniger als einer Skaleneinheit. Dies ist ein Bedarf, der von DeepMind und Boston Dynamics im praktischen Einsatz entdeckt und dann speziell dafür entwickelt wurde.
Multi-View-Verständnis (Multi-View Understanding)
Roboter haben oft mehrere Kameras. Frühere Modelle hatten Schwierigkeiten, mehrere Videoströme gleichzeitig zu verarbeiten – "In welcher Kamera ist dieses Objekt? Ist es dasselbe wie in der anderen Kamera?" 1.6 kann mehrere visuelle Eingaben gleichzeitig verarbeiten und zu einem kohärenten Szenenverständnis integrieren.
Räumliches Denken (Pointing & Spatial Reasoning)
Durch die Methode "zuerst Schlüsselpunkte lokalisieren, dann räumliche Beziehungen ableiten" wurde die Genauigkeit bei Aufgaben wie dem Zählen von Objekten oder dem Finden von Greifpunkten verbessert.
Erkennung des Aufgabenabschlusses (Success Detection)
In Umgebungen mit Hindernissen oder schlechten Lichtverhältnissen war es für Roboter schon immer schwierig zu beurteilen, ob eine Aufgabe erledigt ist. 1.6 zeigt hier deutliche Verbesserungen und ermöglicht es dem Roboter, selbstständig zu entscheiden, ob ein erneuter Versuch nötig ist – ohne dass eine Fernverbindung zu einem Menschen hergestellt werden muss.
Wie Boston Dynamics es einsetzt
Der Spot-Roboter von Boston Dynamics verfügt über eine ausgereifte Produktlinie für industrielle Inspektionen: Er patrouilliert in Fabriken, zeichnet Audio und Video auf und dokumentiert den Gerätezustand. Aber früher konnte Spot das Zifferblatt sehen, aber nicht den genauen Wert ablesen – entweder musste ein Arbeiter mitgehen, oder Spot machte Fotos und schickte sie zur manuellen Auswertung.
Dieser Schritt kann nun entfallen.
Marco da Silva, VP bei Boston Dynamics, sagte: "Das Ablesen von Instrumenten und zuverlässigeres Aufgabenverständnis werden es Spot ermöglichen, die Herausforderungen der realen Welt vollständig autonom zu sehen, zu verstehen und darauf zu reagieren."
Das ist keine Marketingfloskel, sondern eine konkrete Änderung des Anwendungsszenarios: Früher musste ein Mensch Spot begleiten, um die Werte jedes Geräts zu notieren; jetzt kann Spot die gesamte Inspektionsroute vollständig autonom absolvieren, und der Mensch muss nur noch den Abschlussbericht einsehen.
Zahlen sprechen für sich
Direkter Leistungsvergleich:
| Fähigkeit | Gemini Robotics-ER 1.5 | Gemini Robotics-ER 1.6 |
|---|---|---|
| Genauigkeit beim Ablesen von Instrumenten | 23 % | 86 % (Agentic Vision: 93 %) |
| Video-Sicherheitsrisikoerkennung | Basiswert | +10 % |
| Text-Sicherheitsrisikoerkennung | Basiswert | +6 % |
Die Genauigkeit beim Ablesen von Instrumenten stieg von 23 % auf 86 % – diese Spanne bedeutet im Grunde, dass diese Funktion vom Prototypenstadium in die praktische Anwendung übergegangen ist.
Was die API-Öffnung bedeutet
Gemini Robotics-ER 1.6 wird Entwicklern über die Gemini API und Google AI Studio zur Verfügung gestellt. Diese Vertriebsart ist wichtig.
Hardwarehersteller (nicht nur Boston Dynamics) können dieses Modell jetzt direkt aufrufen und fortschrittliches visuelles Denken in ihre eigenen Roboterplattformen integrieren – ohne eigenes Training, ohne Wartung von Modellgewichten, nur per API-Aufruf. Das senkt die Einstiegshürde erheblich und ermöglicht es der Roboter-KI von DeepMind, schneller in verschiedene Industrieszenarien vorzudringen.
Dies unterscheidet sich von Waymos Logik, bei der Fahrversuchsdaten als Burggraben akkumuliert werden: DeepMind geht den Plattformweg und überlässt es den Hardwarepartnern, die Fähigkeiten zu verbreiten. Welcher Roboter es nutzt, der hat bei der Industrieinspektion eine zusätzliche, direkt kommerzialisierbare Fähigkeit.
Industrieroboter sind vielleicht noch ein Stück davon entfernt, "in die Fabrik zu gehen, ohne dass ein Mensch mitgehen muss", aber die Tatsache, dass Spot Instrumententafeln lesen kann, ist bereits ein Schritt näher dran.
Quellenangabe: Gemini Robotics ER 1.6: Enhanced Embodied Reasoning (Google DeepMind Blog); DeepMind launches Gemini Robotics-ER 1.6 to meet precise physical AI demands (SiliconANGLE); CocoLoop, Google DeepMind Releases Gemini Robotics-ER 1.6 (MarkTechPost)