Membaca angka pada pengukur tekanan di pabrik terdengar sederhana, tetapi sebelumnya robot tidak bisa melakukannya.
Bukan berarti robot tidak bisa melihat dial — mereka bisa memotret dan mengenali bahwa itu adalah alat ukur berbentuk lingkaran. Namun, penilaian seperti "jarum menunjuk ke 237, satuannya PSI, dan bacaannya tidak normal" membutuhkan kombinasi pemahaman visual, penalaran numerik, pengetahuan konteks, dan pemahaman tentang apa arti "237 PSI" pada peralatan tersebut.
Pada 15 April, Google DeepMind merilis Gemini Robotics-ER 1.6, memberikan angka konkret untuk kemampuan ini: akurasi pembacaan alat ukur 86%, meningkat menjadi 93% dengan Agentic Vision. Dibandingkan versi sebelumnya? 23%.
Ini bukan iterasi kecil. Ini adalah lompatan dari "pada dasarnya tidak bisa digunakan" menjadi "siap untuk skenario industri."
Apa yang sebenarnya dilakukan model ini
Gemini Robotics-ER adalah singkatan dari Embodied Reasoning — memungkinkan AI tidak hanya melihat, tetapi merencanakan tindakan dan menentukan apakah suatu tugas telah selesai berdasarkan apa yang dilihatnya.
Versi 1.6 meningkatkan empat area utama:
Pembacaan Alat Ukur (Instrument Reading)
Ini adalah kemampuan baru yang paling penting. Saat robot Spot melakukan inspeksi di pabrik, mereka menghadapi alat ukur analog seperti pengukur tekanan, termometer, dan indikator level yang memerlukan pembacaan presisi. AI visual sebelumnya sering gagal membedakan antara "alat ukur kira-kira di tengah" dan "tepatnya 237 PSI."
Versi 1.6 menggabungkan penalaran visual dengan eksekusi kode: menangkap gambar, menggunakan kode untuk memperkirakan rentang dial dan posisi jarum, lalu menghasilkan pembacaan — dengan akurasi kurang dari satu divisi skala. Ini adalah kebutuhan yang diidentifikasi oleh DeepMind dan Boston Dynamics selama penggunaan nyata, dan dikembangkan secara khusus untuk itu.
Pemahaman Multi-Tampilan (Multi-View Understanding)
Robot biasanya memiliki beberapa kamera. Model sebelumnya sering bingung saat memproses beberapa aliran video — "objek ini ada di kamera mana? Apakah objek yang sama dengan yang di kamera lain?" Versi 1.6 dapat memproses beberapa input visual secara bersamaan dan mengintegrasikannya menjadi pemahaman skenario yang koheren.
Penalaran Spasial (Pointing & Spatial Reasoning)
Dengan terlebih dahulu menemukan titik-titik kunci, lalu menalar hubungan spasial, model ini meningkatkan akurasi tugas-tugas seperti menghitung objek dan menemukan titik pegangan.
Deteksi Keberhasilan (Success Detection)
Menentukan apakah suatu tugas telah selesai di lingkungan yang terhalang atau pencahayaan buruk selalu menjadi tantangan bagi robot. Versi 1.6 menunjukkan peningkatan signifikan di sini, memungkinkan robot memutuskan secara otonom apakah akan mencoba ulang — tanpa perlu menghubungi manusia dari jarak jauh.
Bagaimana Boston Dynamics menggunakannya
Robot Spot milik Boston Dynamics memiliki lini produk inspeksi industri yang matang: berpatroli di pabrik, merekam audio dan video, serta mencatat status peralatan. Namun sebelumnya, Spot bisa melihat dial tanpa bisa membaca angkanya secara akurat — baik pekerja harus mengikutinya, atau Spot memotret dan mengirimkannya kembali untuk interpretasi manual.
Sekarang langkah itu bisa dihilangkan.
VP Boston Dynamics, Marco da Silva, mengatakan: "Pembacaan alat ukur dan penalaran tugas yang lebih andal akan memungkinkan Spot untuk sepenuhnya secara otonom melihat, memahami, dan merespons tantangan dunia nyata."
Ini bukan sekadar retorika pemasaran — ini adalah perubahan kasus penggunaan yang konkret: alih-alih seseorang mengikuti Spot untuk mencatat setiap pembacaan perangkat, Spot kini dapat menyelesaikan seluruh rute inspeksi secara otonom, dan orang tersebut hanya perlu meninjau laporan akhir.
Angka-angka berbicara
Perbandingan kinerja langsung:
| Kemampuan | Gemini Robotics-ER 1.5 | Gemini Robotics-ER 1.6 |
|---|---|---|
| Akurasi pembacaan alat ukur | 23% | 86% (Agentic Vision: 93%) |
| Persepsi risiko keamanan video | Nilai dasar | +10% |
| Persepsi risiko keamanan teks | Nilai dasar | +6% |
Lompatan dari 23% ke 86% dalam pembacaan alat ukur pada dasarnya berarti fitur ini telah beralih dari tahap prototipe ke penggunaan praktis.
Apa arti pembukaan API
Gemini Robotics-ER 1.6 tersedia untuk pengembang melalui Gemini API dan Google AI Studio. Metode distribusi ini signifikan.
Produsen perangkat keras (tidak hanya Boston Dynamics) kini dapat langsung memanggil model ini untuk mengintegrasikan penalaran visual tingkat lanjut ke dalam platform robot mereka sendiri — tidak perlu melatih model sendiri atau memelihara bobot model, cukup panggilan API. Ini secara dramatis menurunkan hambatan dan memungkinkan AI robot DeepMind menembus berbagai skenario industri dengan lebih cepat.
Ini berbeda dengan logika Waymo yang mengakumulasi data uji jalan sebagai benteng pertahanan: DeepMind mengambil pendekatan platform, membiarkan mitra perangkat keras pihak ketiga menyebarkan kemampuan. Robot apa pun yang menggunakannya akan mendapatkan kemampuan yang dapat langsung dikomersialkan dalam inspeksi industri.
Robot industri mungkin masih agak jauh dari "tidak perlu satu orang pun mengikuti di pabrik," tetapi kemampuan Spot membaca alat ukur telah membawa titik itu semakin dekat.
Sumber: 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)