O Google DeepMind apresentou o Gemini Robotics 2 em 30 de julho. Na demonstração, o humanoide Apollo 2 da Apptronik se curva, caminha até uma prateleira, pega um regador e o coloca no destino pedido.
Três modelos formam a pilha
Gemini Robotics 2 transforma visão e linguagem em controle motor. Gemini Robotics ER 2 entende o ambiente, conversa com humanos e planeja tarefas em várias etapas. Gemini Robotics On-Device 2 roda localmente no hardware do robô.
Carolina Parada disse à WIRED: “It's another milestone in our path towards really getting towards what we call like physical AGI, which means we get a robot to do anything that a human can.” A parte mensurável é mais concreta: controle de corpo inteiro, manipulação com duas mãos, colaboração entre robôs, execução local e parada segura.
As mãos ainda oscilam
Os gráficos oficiais mostram o Apollo 2 com Inspire hands alcançando 68,4% ao pegar objetos da mesa, 45,7% do chão e 76,3% da prateleira. Com a mão de cinco dedos SharpaWave, desrosquear uma lâmpada chegou a 92%, rosquear ficou em 36%, amarrar saco de lixo em 44%, usar pá de lixo em 32% e fechar ziplock em 40%.
Os números colocam limite no entusiasmo: o robô já sai da bancada, mas as tarefas parecidas com dedos humanos seguem instáveis.
A prova virá em hardware externo
O Google afirma que o On-Device 2 pode se adaptar a novos corpos robóticos de dois braços em poucas horas, geralmente com menos de 200 exemplos. O cartão do modelo registra SO101 subindo de 6,7% para 53,3% e Dexmate de 24,4% para 75,6%. Esses dados pertencem à avaliação do cartão do modelo.
Os próximos pontos de verificação são reprodução em robôs de terceiros, avanço das tarefas multi-dedos acima de 50% e funcionamento confiável da parada segura quando pessoas se aproximam.
Fontes: comunicado do Google DeepMind, cartões de modelo Gemini Robotics ER 2 e On-Device 2, Google AI for Developers, CocoLoop, WIRED, The Verge, Sina Finance; verificados escopo dos modelos, divisão em três modelos, avaliação Apollo 2/SharpaWave/Inspire hands, configurações 128k/64K, adaptação com menos de 200 exemplos e canais de acesso.