Google hat Gemini Robotics 1.5 und Gemini Robotics-ER 1.5 vorgestellt – neue KI-Modelle, die Roboter dazu befähigen sollen, verantwortungsvoll zu denken, zu planen und zu handeln. Die Veröffentlichung markiert laut dem Unternehmen eine „Ära physischer Agenten“, in der Maschinen nicht mehr nur auf Befehle reagieren, sondern beginnen, ihre Umgebung zu verstehen und Schlussfolgerungen daraus zu ziehen.
Laut einer Ankündigung von Google DeepMind können die Gemini-Robotics-Modelle komplexe Aufgaben mit mehreren Schritten bewältigen, indem sie Bildverarbeitung, Sprache und Schlussfolgerungsvermögen kombinieren und so eine vielseitigere Intelligenz für die Robotik ermöglichen.
Der Vorstoß zu vielseitig einsetzbaren intelligenten Robotern
Google erklärte, die Veröffentlichung von Robotics 1.5 folge auf frühere Bemühungen, Geminis multimodale Intelligenz auf die Robotik auszuweiten – ein weiterer Schritt, wie das Unternehmen es nannte, „zur Weiterentwicklung intelligenter, wirklich vielseitig einsetzbarer Roboter“. Google ordnete die Einführung in eine umfassendere Initiative ein, Maschinen mit der nötigen Autonomie für den Einsatz in komplexen realen Umgebungen auszustatten.
Die beiden Modelle teilen die Arbeit zwischen übergeordneter Planung und direkter Ausführung auf und bieten sich ergänzende Fähigkeiten, die Roboter in realen Umgebungen vielseitiger und anpassungsfähiger machen sollen.
Gemini Robotics 1.5
Google beschreibt Gemini Robotics 1.5 als sein leistungsfähigstes Modell für Bildverarbeitung, Sprache und Aktionen. Es soll Robotern helfen, vor einer Bewegung nachzudenken, statt einfach nur Anweisungen zu befolgen. Anstatt einen Befehl direkt in eine Bewegung zu übersetzen, erzeugt das KI-Modell einen Schlussfolgerungsprozess in natürlicher Sprache. So kann es jeden Schritt planen und seine Handlungen transparenter machen.
Dieser Ansatz ermöglicht es einem Roboter, semantisch komplexe Anfragen wie das Sortieren von Wäsche oder das Ordnen von Gegenständen zu bewältigen, indem er sie in überschaubare Schritte zerlegt und entscheidet, wie sie am besten auszuführen sind. Außerdem kann das Modell seine Vorgehensweise während einer Aufgabe anpassen, wenn sich die Umgebung verändert oder ein Nutzer neue Anweisungen gibt.
Zu den wichtigsten Stärken gehören:
- Mehrstufiges Schlussfolgern: Die Fähigkeit, Handlungen vor ihrer Ausführung zu erklären und zu verfeinern.
- Interaktivität: Auf Alltagssprache reagieren und während der Arbeit den eigenen Ansatz erläutern.
- Geschicklichkeit: Aufgaben ausführen, die eine präzise Motorik erfordern, etwa Papier falten oder eine Brotdose packen.
Gemini Robotics 1.5 kann außerdem über verschiedene Verkörperungen hinweg lernen und Verhaltensweisen von einer Roboterform auf eine andere übertragen – unabhängig davon, ob es sich um eine stationäre Plattform mit zwei Armen oder eine humanoide Maschine handelt.
Gemini Robotics-ER 1.5
Gemini Robotics-ER 1.5 ist dagegen darauf ausgelegt, vorauszudenken. Google bezeichnet es als hochmodernes Modell für verkörpertes Schlussfolgern – im Wesentlichen als Gehirn, das die Aktivitäten eines Roboters koordiniert und allgemeine Anweisungen in detaillierte Pläne zerlegt.
Anstatt lediglich auf einen Befehl wie „die Küche aufräumen“ zu reagieren, kann ER 1.5 die Aufgabe in Schritte zerlegen – Arbeitsflächen freiräumen, Geschirr einräumen, Oberflächen abwischen – und anschließend andere Systeme anweisen, diese auszuführen. Es kommuniziert in natürlicher Sprache, schätzt den Fortschritt ein und kann sogar Tools wie die Google-Suche aufrufen, um fehlendes Wissen zu ergänzen.
Zu den Fortschritten gehören:
- Orchestrierung: Komplexe Aufgaben durch Planung und Zuweisung von Aktionen koordinieren.
- Räumliches und zeitliches Schlussfolgern:Umgebungen detailliert verstehen und Ursache-Wirkungs-Zusammenhänge erfassen, während sich Aufgaben entfalten.
- Benchmark-Leistung: Spitzenresultate in 15 Tests zum verkörperten Schlussfolgern erzielen – von der Genauigkeit beim Zeigen bis zur Beantwortung von Fragen zu Videos.
Google zufolge bildet ER 1.5 die strategische Ebene des Systems. Es liefert das Schlussfolgerungsvermögen und den Weitblick, die physische Roboter in unvorhersehbaren realen Umgebungen anpassungsfähiger und zuverlässiger machen.
Das planende Gehirn und die handelnden Hände
Google hat die beiden Modelle so entwickelt, dass sie zusammenarbeiten: Gemini Robotics-ER 1.5 übernimmt die übergeordnete Planung, Gemini Robotics 1.5 führt die physischen Schritte aus. Laut dem Unternehmen können Roboter auf diese Weise eine einzelne Anweisung entgegennehmen, sie in kleinere Ziele zerlegen und diese anschließend nacheinander ausführen.
ER 1.5 könnte beispielsweise planen, wie ein Raum aufgeräumt wird, während Robotics 1.5 diese Pläne in konkrete Bewegungen übersetzt – etwa Gegenstände aufheben oder Behälter öffnen. Google zufolge kann ER 1.5 als übergeordnetes Gehirn Aufgaben steuern, während Robotics 1.5 als Hände und Augen fungiert, um sie auszuführen.
Das Diagramm zeigt, wie Gemini Robotics-ER 1.5 und Gemini Robotics 1.5 aktiv zusammenarbeiten, um komplexe Aufgaben in der physischen Welt auszuführen. Quelle: Google DeepMind
AGI in der physischen Welt verwirklichen
Google stellte Gemini Robotics 1.5 als Meilenstein auf dem Weg zur Verwirklichung von künstlicher allgemeiner Intelligenz (AGI) in der physischen Welt dar. Roboter sollen sich dadurch von Befehlsempfängern zu Systemen entwickeln, die schlussfolgern, planen und geschickt handeln können.
Sicherheit bleibt ein zentraler Bestandteil dieser Vision. Google erklärte, die Modelle seien an den eigenen KI-Prinzipien ausgerichtet, mit semantischem Schlussfolgern zur Risikobewertung vor einer Handlung ausgestattet und würden durch aktualisierte ASIMOV-Benchmarks in Sicherheitsszenarien getestet.
Googles Vorstoß in der Robotik signalisiert eine Zukunft, in der fortschrittliche Maschinen die Forschungslabore verlassen und Teil unseres Alltags werden.
Roboterfirmen beschleunigen die Innovation in zahlreichen Branchen – von der Fertigung bis zum Gesundheitswesen. Erfahren Sie, welche Unternehmen die nächste Welle der Automatisierung und KI prägen.