Eddig a nagy AI-modellek leginkább a képernyőn voltak „otthon”. Most viszont a Gemini egy olyan irányba lép, ahol a szavak helyett már a kezek, karok és lábak mozgása a tét.

Mi történt

A Google DeepMind kiadta a Gemini új változatát, amely képes különböző típusú robotok vezérlésére. A leírás alapján nem egyetlen, szűkre szabott demóról van szó: a modell többféle robotplatformmal is működik, beleértve a humanoid (emberformájú) robotokat.

A hangsúly a finom, ügyes ("dextrous") feladatokon van: olyan mozdulatokon, ahol nem elég „odébb tolni” valamit, hanem precízen kell bánni tárgyakkal. Példák: villanykörte becsavarása vagy szemeteszsák megkötése. Ezek azért érdekesek, mert a robotikában a valódi nehézség gyakran nem a látványos járás, hanem a megbízható, ismételhető kézügyesség.

Miért fontos

A nyelvi modelleket (LLM-eket) gondold úgy, mint egy nagyon jó „szöveg-alapú agyat”: értik az utasításokat, tudnak tervezni, magyarázni, következtetni. A robotika pedig a „test”, amelynek szenzorokból (kamerák, erőérzékelők) jön az input, és motorokban, ízületekben végződik az output. Amikor a kettőt összekötöd, az ígéret az, hogy a robot nem csak előre betanított mozdulatsorokat ismétel, hanem rugalmasabban alkalmazkodik a helyzethez.

Ez a lépés azért is jelentős, mert a fizikai világban a bizonytalanság alapállapot: a tárgyak elcsúsznak, a fényviszonyok változnak, az emberek belépnek a térbe. Ami egy chatben „csak” pontatlan válasz, az egy robotnál leverhet valamit az asztalról — vagy rosszabb esetben veszélyes mozdulatot eredményezhet. A Wired értelmezése ezt a vonalat „physical AGI” irányként fogja meg: nem feltétlenül emberi szintű általános intelligenciáról van szó, inkább arról, hogy az AI-t egyre általánosabban használható „vezérlőréteggé” próbálják tenni a gépek számára.

Mire figyelj

  1. Megbízhatóság és hibakezelés: nem az a kérdés, hogy egyszer meg tud-e kötni egy zsákot, hanem hogy százszor egymás után is stabilan megteszi-e, és mit csinál, ha valami félremegy.
  2. Biztonsági korlátok a valós térben: milyen védőmechanizmusok (sebességkorlát, ütközés- és erőhatár, vészleállítás) vannak beépítve, és ezek mennyire „első osztályú” részei a rendszernek.
  3. Általánosíthatóság több roboton: a hír egyik kulcsa, hogy többféle robotot is tud irányítani. Érdemes figyelni, ez mennyire széles körű kompatibilitást jelent, és mennyi utólagos finomhangolás kell egy új hardverhez.
  4. Valós felhasználási területek: a humanoid demók látványosak, de az igazi kérdés az, hol jelenik meg először üzemszerűen: raktár, ipari környezet, labor, vagy később otthon.

Ha a Gemini-szerű modellek tényleg „közös nyelvet” adnak a különböző robotoknak, az nem egyetlen robotforradalmat jelent, hanem egy lassabb, mérnöki tempójú átrendeződést: kevesebb kézzel kódolt mozdulat, több általános döntési logika — és közben sokkal szigorúbb elvárások a biztonságra és a kiszámíthatóságra.