DeepMind兩機械人 完美執行現實任務
原文刊於信報財經新聞「CEO AI⎹ EJ Tech」
當機械人結合人工智能（AI），能協助人類執行體力任務，例如處理家務等工作。谷歌（Google）旗下AI部門DeepMind在周三（12日）介紹兩種新AI模型Gemini Robotics及Gemini Robotics-ER，為新一代輔助機械人奠定基礎。為了對人類有幫助，谷歌認為機械人的AI模型需要具備3個主要特質，分別是通用性、互動性及靈巧性，在現實世界應付更廣泛任務。
以Gemini 2.0為基礎
Gemini Robotics以Gemini 2.0大型語言模型為基礎，整合「視覺、語言、動作」（VLA）能力。即使事前未經訓練，機械人亦能處理視覺資訊、理解語言指令，執行更精確的物理任務，例如摺紙或把零食放入密實袋。另一款Gemini Robotics-ER，屬於先進視覺語言模型。ER即是「具身推理」縮寫，具有先進空間理解能力，包括偵測並指向物體部分、尋找對應點及偵測3D物體。例如展示咖啡杯時，AI模型可直觀地知道，可用兩根手指捉住杯柄，以及靠近杯子的安全軌跡。
谷歌與美國得州科企Apptronik合作，把Gemini機械人的AI模型，作為後者Apollo人形機械人的「大腦」，同時向Agile Robots、Agility Robots、Boston Dynamics及Enchanted Tools等科企，供值得信賴的測試人員使用。受到科幻小說家艾西莫夫（Isaac Asimov）筆下《機械人三定律》（Three Laws of Robotics）啟發，DeepMind去年推出「機械人憲法」（Robot Constitution）框架，並發布一個ASIMOV數據集，讓研究人員評估機械人的動作安全。
與此同時，谷歌同場加映輕量級開放模型Gemma 3，可以輕鬆分析圖片、文字、短影片等應用，設有10億（1B）、40億（4B）、120億（12B）及270億（27B）4種參數規格，標榜可在單一圖像處理器（GPU）或張量處理器（TPU）運行。模型上下文窗口可輸入12.8萬Tokens，在LMArena基準測試的表現，超越Llama-405B、DeepSeek-V3及o3-mini，經過預訓練可增至超過140種語言。用戶可在Google AI Studio試用Gemma 3，亦可在Kaggle或Hugging Face平台下載模型。
推Gemma 3可分析圖像答問
日常應用方面，Gemma 3可分析圖像解答問題，例如上傳一張冷氣遙控器相片，再問AI模型：「我需要暖和起來，哪個按鈕可調高溫度？」之後AI就會回答「最有可能調高溫度的按鈕是暖房（Danbou），帶有加號（+）的按鈕或會調節溫度。此外，谷歌開發人員在Gemma 3模型的基礎上，構建40億參數的影像安全檢查器ShieldGemma 2，針對危險內容、露骨色情、暴力三種分類設下安全標籤。
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
