Vom Tisch bis zum ganzen Körper: Was Gemini Robotics 2 wirklich verändert
Kolumnenüberblick
Am 30. Juli kündigte Google DeepMind die neueste Generation von Gemini Robotics an, und die einfache Art, diese Geschichte zu schreiben, ist: „Googles Roboter können jetzt ihren ganzen Körper nutzen.“ Das stimmt, aber es ist auch der uninteressanteste Satz, den man darüber schreiben könnte. Die nützlichere Frage ist, warum jede vorherige Generation von Allzweck-Robotermodellen – auch Googles eigene – an der Taille Halt machte, und was sich unter der Haube tatsächlich ändern musste, um über diese Grenze hinauszukommen. Die Antwort ist kein größeres Modell. Es ist eine andere Theorie darüber, wie viele Modelle ein Roboter benötigt, um als eine zusammenhängende Einheit zu agieren.
Die Tisch-Obergrenze war keine Frage des Ehrgeizes
Frühere Gemini-Robotics-Veröffentlichungen waren im Manipulieren wirklich gut: etwas aufheben, drehen, präzise platzieren, den Griff spontan anpassen, wenn das Objekt rutschte. Wofür sie nicht entwickelt wurden, war im selben Atemzug zu entscheiden, ob sie drei Schritte nach links gehen oder sich vor dem Greifen ducken sollten. Fortbewegung und Manipulation waren effektiv zwei verschiedene Probleme in einem Roboter. Das ist kein Versagen von Googles Vorstellungskraft – es passiert, wenn man eine Policy auf Tisch-Demonstrationsdaten trainiert. Der Arm lernt, in einem begrenzten Raumvolumen vor einer festen Basis außergewöhnlich gut zu sein. Fordert man ihn auf, zusätzlich das Gleichgewicht, die Fußplatzierung und den Schwerpunkt zu verwalten, während der Arm etwas Heikles tut, hat man ihm ein Koordinationsproblem übergeben, das nie in den Trainingsdaten enthalten war.
Warum Ganzkörper-Koordination nicht einfach addiert wird
Die intuitive Annahme ist, dass wenn ein Modell laufen und ein Modell greifen kann, deren Kombination hauptsächlich eine Ingenieursaufgabe ist. Das ist sie nicht, weil Laufen und Greifen um dieselbe Ressource konkurrieren: wo das Gewicht des Roboters ist und wie viel Spielraum er hat, bevor er umfällt. Ein Humanoider, der nach einem niedrigen Regal greift, muss die Knie beugen, die Hüften zurückverlagern und den Rumpf stabil genug halten, damit die Hand nicht über das Ziel hinausschießt – während das, was er aufhebt, aktiv die Gewichtsverteilung verändert, gegen die er ausbalanciert. Das sind nicht zwei parallel laufende Fähigkeiten, sondern eine kontinuierliche Verhandlung zwischen ihnen, die dutzende Male pro Sekunde aktualisiert wird. Googles eigene Beschreibung von „Ganzkörper-Intelligenz“ – das Schließen über jede Bewegung, die zum Laufen, Ducken, Strecken und Manipulieren in koordinierter Weise erforderlich ist – ist in Wahrheit ein Eingeständnis, dass der alte Ansatz, einen Navigations-Stack mit einem Manipulations-Stack zu verbinden, nie dorthin führen würde. Man braucht etwas, das die gesamte Sequenz als eine Entscheidung behandelt, nicht eine Übergabe zwischen zwei Systemen, die nicht wissen, was das andere tut.
Drei Modelle sind die eigentliche Designaussage
Aussagekräftiger als das Demo-Video ist, dass Google nicht ein größeres Modell auslieferte, um dies zu lösen. Es lieferte drei aus, die jeweils eine Aufgabe erfüllen, die den anderen strukturell unmöglich ist. Gemini Robotics 2 ist das Vision-Language-Action-Modell, das das, was der Roboter sieht und hört, in tatsächliche Motorbefehle umwandelt, vom Fuß bis zur Fingerspitze – dies ist die Schicht, die schnell und nah an der Hardware laufen muss. Gemini Robotics ER 2 sitzt darüber als Schicht für verkörpertes Schließen: ein Vision-Language-Modell, das mehrstufige Aufgaben plant, die Minuten dauern, Übergaben zwischen separaten Robotern koordiniert und – bemerkenswert – die Erkennung von Menschen in der Nähe verbessert hat, was ein als Fähigkeits-Upgrade getarntes Sicherheitsfeature ist. Dann gibt es noch Gemini Robotics On-Device 2, eine komprimierte Version, die entwickelt wurde, um ganz ohne Netzwerkverbindung zu laufen, und die mit der überraschendsten Zahl verbunden ist: Sie kann in wenigen Stunden an einen neuen Zweiarm-Roboterkörper angepasst werden, oft mit weniger als 200 Beispielen.
Als Stack gelesen, gibt Google hiermit zu, dass kein einzelnes Modell gleichzeitig der schnelle Reflex, der langfristige Planer und der Offline-fähige Generalist sein kann – dies sind drei verschiedene Ingenieursbeschränkungen, die sich gegenseitig abwägen, und so zu tun, als ob ein Modell alle drei befriedigen könne, führt dazu, dass man etwas erhält, das zu langsam für einen Reflex und zu starr zum Planen ist. Das Anpassungsfenster des On-Device-Modells mit wenigen hundert Beispielen ist wohl der kommerziell bedeutendste Teil der gesamten Ankündigung, weil es den Unterschied macht zwischen „wir haben einen Roboter gebaut“ und „wir haben etwas gebaut, das ein Robotikunternehmen auf seiner eigenen Hardware einsetzen kann, ohne Monate des Umschulens“.
Die plattformübergreifende Wette
Das wird dadurch untermauert, mit wem Google zusammenarbeitet: Apptroniks Apollo 2, Frankas Zweiarm-Duo, Boston Dynamics, Agile Robots, plus Dexmate, SO101 und Trossen. Das ist keine Partnerliste, die man zusammenstellt, wenn der Plan darin besteht, den definitiven Roboterkörper zu bauen. Es ist eine Partnerliste, die man zusammenstellt, wenn der Plan darin besteht, die Intelligenzschicht zu sein, die unter der Hardware läuft, wer auch immer gewinnt – dieselbe Positionierung, die Google bei Android gegenüber Telefonherstellern eingenommen hat, angewendet auf einen Markt, der noch keinen feststehenden Hardware-Sieger hat. Die Demo von Apollo 2, der durch einen Raum geht, eine Gießkanne findet und in den korrekten farbcodierten Behälter auf einem unteren Regal stellt, ist ein netter Showeffekt, aber die Multi-Roboter-Übergabe – Apollo 2 und ein Franka F3 Duo, die eine Aufgabe zwischen ihnen durch gemeinsames semantisches Verständnis des Geforderten aufteilen – ist der Teil, der tatsächlich das plattformübergreifende Argument stützt. Wenn zwei Roboter von zwei verschiedenen Herstellern über eine gemeinsame Schicht für verkörpertes Schließen koordinieren können, statt durch benutzerdefinierten Integrationscode, ist das das Produkt, das Google tatsächlich verkauft.
Was die Erfolgsquoten Ihnen tatsächlich sagen
Nun der Teil, den man nicht übergehen sollte. Googles eigene veröffentlichte Zahlen setzen die Erfolgsquote bei Ganzkörper-Manipulation je nach Aufgabe zwischen 45,7 % und 76,3 % an, präzisionsbasierte Greifaufgaben wie Einstecken erreichen bis zu 89,6 %, und mehrfingerige geschickte Manipulation reicht von 32 % bis 92 %. Das sind keine peinlichen Zahlen für eine Forschungsdemo, und es sind auch keine Zahlen für Produktionszuverlässigkeit – beides gilt gleichzeitig. Das Muster dahinter ist aussagekräftiger als jede einzelne Zahl: Präzision hält meist gut stand, wenn die Aufgabe mechanisch einfach und wiederholbar ist, wie etwa ein Greifer, der einen Stift einsteckt, und sie fällt auseinander, wenn die Aufgabe viele Finger erfordert, die gegen ein Objekt koordinieren, dessen Geometrie der Roboter nicht oft genug gesehen hat. Eine Spanne von 32 % bis 92 % bei derselben groben Aufgabenkategorie bedeutet, dass die Kompetenz des Modells derzeit hochgradig aufgabenspezifisch ist, nicht allzweck, wie es die „Ganzkörper-Intelligenz“-Rahmung jemandem suggerieren könnte, der nur die Schlagzeile liest. Das ist ein normaler Ort für ein System, das so neu ist. Es ist auch genau der Grund, warum Google Benchmark-Spannen veröffentlicht, statt einer einzigen selbstbewussten Zahl – dies ist ein Fähigkeitsnachweis mit beigefügten Belegen, keine Behauptung, dass diese Roboter bereit sind, unbeaufsichtigt in einem Lagerhaus zu laufen.
Was sich hier tatsächlich geändert hat
Die ehrliche Art, diese Veröffentlichung zusammenzufassen, ist, dass Google verkörperte Robotik nicht gelöst hat – niemand hat das –, aber es hat die spezifische architektonische Frage gelöst, wie „was als Nächstes geschehen sollte“, „wie präzise bewege ich meine Hand“ und „kann dies laufen, ohne nach Hause zu telefonieren“ auf drei Modelle aufgeteilt werden, anstatt ein Modell zu zwingen, in allen drei mittelmäßig zu sein. Das ist der Teil, der wahrscheinlich Bestand hat, unabhängig davon, wie sich die Erfolgsquoten in den nächsten Veröffentlichungen entwickeln. Die Tisch-Obergrenze war nie wirklich das Problem des besseren Greifens. Es ging darum, nie ein System gebaut zu haben, in dem Fortbewegung und Manipulation dieselbe Entscheidung waren. Dies ist die erste Version, in der sie es sind, und die Benchmark-Spanne ist der ehrliche Preis dafür, dass dies neu ist.