জেমিনি রোবোটিক্স ইআর ২: রোবটদের জন্য গুগলের নতুন “স্মার্ট মস্তিষ্ক”

রোবট যদি মানুষের দৈনন্দিন পরিবেশে সত্যিকার অর্থে সহায়ক হতে চায়, তাহলে শুধু সঠিকভাবে স্থান-কাল বোঝাই যথেষ্ট নয়—তাকে দ্রুত চিন্তাও করতে হবে, বাস্তব জগতের গতির সঙ্গে তাল মিলিয়ে সিদ্ধান্ত নিতে হবে। ঠিক এই লক্ষ্য সামনে রেখে গুগল ডিপমাইন্ড উন্মোচন করেছে তাদের এ যাবৎকালের সবচেয়ে সক্ষম “এমবডিড রিজনিং” মডেল—জেমিনি রোবোটিক্স ইআর ২ (Gemini Robotics ER 2)।

রোবটের জন্য একটি “উচ্চস্তরের মস্তিষ্ক”

জেমিনি রোবোটিক্স ইআর ২-কে সহজভাবে বোঝার জন্য একে রোবটের একটি উচ্চস্তরের মস্তিষ্ক হিসেবে কল্পনা করা যেতে পারে। এই মডেল রোবটকে সক্ষম করে মানুষের সঙ্গে কথোপকথন চালানো, বাস্তব জগৎ বোঝা এবং একাধিক ধাপের কাজ পরিকল্পনা করার। এরপর প্রকৃত শারীরিক নড়াচড়ার দায়িত্ব এটি হস্তান্তর করে দেয় যেকোনো লো-লেভেল ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন (VLA) মডেলের কাছে।

বিশেষভাবে উল্লেখযোগ্য দিক হলো, জেমিনি রোবোটিক্স ইআর ২ নিজে থেকেই গুগল সার্চের মতো টুল ব্যবহার করে তথ্য খুঁজে বের করতে পারে, অথবা ব্যবহারকারীর নিজস্ব ডিফাইন করা যেকোনো ফাংশনও কল করতে পারে। মডেলটির ডিজাইন এমনভাবে করা হয়েছে যে রোবট একই সঙ্গে পরবর্তী পদক্ষেপ নিয়ে “চিন্তা” করতে পারে এবং বর্তমান কাজও চালিয়ে যেতে পারে—কোনো বিরতি ছাড়াই।

আগের সংস্করণের তুলনায় বড় আপগ্রেড

জেমিনি রোবোটিক্স ইআর ১.৬-এর তুলনায় এই নতুন সংস্করণে এসেছে উল্লেখযোগ্য উন্নতি। ক্রমাগত ভিডিও ফিড পর্যবেক্ষণ করার মাধ্যমে রোবট এখন নিজের অগ্রগতি ট্র্যাক করতে পারে, কোথাও ভুল হলে তা শনাক্ত করে মানিয়ে নিতে পারে, এবং ঠিক কখন পরবর্তী ধাপে যেতে হবে তা নির্ভুলভাবে বুঝতে পারে। এর পাশাপাশি এবার যুক্ত হয়েছে মাল্টি-রোবট কোলাবরেশন—যার মাধ্যমে একাধিক রোবট একই স্থানে একসঙ্গে কাজ করে এমন জটিল ওয়ার্কফ্লো সম্পন্ন করতে পারবে, যা একটি একক রোবটের পক্ষে করা সম্ভব নয়।

মডেলটি এখন ডেভেলপারদের জন্য উন্মুক্ত—Gemini API, Google AI Studio, এবং Gemini Enterprise Agent Platform-এর প্রাইভেট প্রিভিউয়ের মাধ্যমে যে কেউ নিজস্ব ফিজিক্যাল এআই এজেন্ট তৈরি শুরু করতে পারেন।

এজেন্টিক কার্যক্ষমতায় অগ্রগতি

বাস্তব জগতের বেশিরভাগ কাজই জটিল এবং সম্পন্ন করতে প্রয়োজন একাধিক ধাপ। জেমিনি রোবোটিক্স ইআর ২ মূলত একটি “ফিজিক্যাল এজেন্ট” হিসেবে কাজ করে—এটি রোবটের জন্য ধাপগুলো সাজিয়ে দেয়, ভুল হলে নিজে থেকে সংশোধন করতে সাহায্য করে এবং নতুন পরিস্থিতিতেও সাধারণীকরণ করতে পারে। ডেভেলপাররা লো-লেভেল কন্ট্রোল ইন্টারফেস—যেমন VLA মডেল বা নেভিগেশন API-কে টুল হিসেবে ডিক্লেয়ার করতে পারেন, এবং সরাসরি মডেলে মাল্টিমোডাল ভিডিও, অডিও বা টেক্সট স্ট্রিম করতে পারেন।

গুগলের পরীক্ষায় দেখা গেছে, রিয়েল VLA, সিমুলেটেড VLA, এবং হিউম্যান টেলি-অপারেশন—এই তিনটি কন্ট্রোল মোডেই জেমিনি রোবোটিক্স ইআর ২ ধারাবাহিকভাবে টুল অর্কেস্ট্রেশনে আগের সংস্করণকে ছাড়িয়ে গেছে।

রোবোটিক্সে উচ্চস্তরের রিজনিং মূলত নির্ভর করে এক্সিকিউশনের গতির ওপর। এজন্য জেমিনি রোবোটিক্স ইআর ২ যুক্ত হয়েছে Gemini Live API-এর সঙ্গে, যেখানে ব্যবহৃত হয়েছে লেটেন্সি-সংবেদনশীল কাজের জন্য অপটিমাইজড একটি বাইডিরেকশনাল স্ট্রিমিং এন্ডপয়েন্ট। ফলাফল হলো একটি মসৃণ অর্কেস্ট্রেশন প্রক্রিয়া—কোনো “থেমে-থেমে চিন্তা করার” ধাক্কা ছাড়াই মাল্টি-স্টেপ কাজ সম্পন্ন করে রোবট।

এই সক্ষমতা দেখাতে গুগল তাদের পার্টনার বোস্টন ডাইনামিক্স-এর রোবট Spot ব্যবহার করে একটি ডেমো তৈরি করেছে, যেখানে জেমিনি রোবোটিক্স ইআর ২ দিয়ে Spot-এর নেভিগেশন ও ম্যানিপুলেটর মুভমেন্ট নিয়ন্ত্রণ করে একটি ইন্টারঅ্যাকটিভ রোবট তৈরি করা হয়েছে, যা ব্যবহারকারীর জন্য বস্তু নিয়ে আসতে পারে।

কাজ কখন শেষ হয়েছে তা বোঝার ক্ষমতা

রোবোটিক্সের সবচেয়ে কঠিন চ্যালেঞ্জগুলোর একটি হলো—একটি কাজ ঠিক কখন সম্পূর্ণ হয়েছে তা বোঝা। জেমিনি রোবোটিক্স ইআর ২ ভিডিও বোঝা ও অগ্রগতি ট্র্যাকিংয়ে এনেছে বড় ধরনের উন্নতি, যাতে জটিল কাজ—যেমন বাল্ব শক্ত করে লাগানো বা ময়লার ব্যাগ বাঁধা—নির্দিষ্ট মান অনুযায়ী সম্পন্ন হয়েছে কিনা তা যাচাই করে তবেই পরবর্তী কাজে যাওয়া যায়।

এক্ষেত্রে দুটি মূল সক্ষমতায় অগ্রগতি হয়েছে:

• কন্টিনিউয়াস প্রোগ্রেস ক্লাসিফিকেশন: ভিডিও ফিডের প্রতিটি ফ্রেমকে পাঁচটি অগ্রগতির স্তরে (০-২০%, ২০-৪০%, ৪০-৬০%, ৬০-৮০%, ৮০-১০০%) ভাগ করে রোবটকে রিয়েল-টাইম সিচুয়েশনাল অ্যাওয়ারনেস দেয়। এই কাজে জেমিনি রোবোটিক্স ইআর ২-এর নির্ভুলতা ৫৭.৪%, যা আগের প্রজন্মের মডেল এবং প্রতিদ্বন্দ্বী ফ্রন্টিয়ার মডেলগুলোর চেয়েও ভালো।
• প্রিসিশন মোমেন্ট-ফাইন্ডিং: কোনো গুরুত্বপূর্ণ মুহূর্ত—যেমন কাপে কফি ঢালা কখন বন্ধ করতে হবে—তার সঠিক ভিডিও ফ্রেম শনাক্ত করার ক্ষমতা। এই কাজে মডেলটির নির্ভুলতা ৯১.৩%, গড় ভুলের পরিমাণ মাত্র ০.৯৬ সেকেন্ড, এবং এটি অনেক বড় আকারের মডেলের সমতুল্য পারফরম্যান্স দেয়—তাও চার গুণ দ্রুতগতিতে ও অনেক কম কম্পিউট খরচে।

একাধিক রোবটের মধ্যে সহযোগিতা

একটি একক রোবট সব কাজের জন্য উপযুক্ত নয়—একটি হুইলড রোভার হয়তো ইনডোর পরিবেশে ভালো কাজ করে, আবার একটি হিউম্যানয়েড রোবট হয়তো অসমতল ভূমিতে বেশি কার্যকর। জেমিনি রোবোটিক্স ইআর ২ বিভিন্ন ধরনের রোবটকে একে অপরের সঙ্গে যোগাযোগ করতে সক্ষম করে একটি শেয়ার্ড সিমান্টিক বোঝাপড়ার মাধ্যমে, যাতে তারা একসঙ্গে জটিল কাজ হস্তান্তর করে সম্পন্ন করতে পারে। এই সক্ষমতা দেখানো হয়েছে অ্যাপট্রনিকের Apollo 2 এবং ফ্রাংকার F3 Duo রোবটের সহযোগিতামূলক কাজের মাধ্যমে।

স্থানিক বুদ্ধিমত্তায় উন্নতি

জেমিনি রোবোটিক্স ইআর ২ তিনটি বেঞ্চমার্কে এগিয়ে নিয়েছে মূল স্থানিক রিজনিং সক্ষমতা:

• সাফল্য/ব্যর্থতা শনাক্তকরণ: এখন স্থির ছবির বদলে সরাসরি ভিডিও ফিড বিশ্লেষণ করে কাজ চলাকালীন ভুল—যেমন কিছু পড়ে যাওয়া, পিছলে যাওয়া বা ভুল অ্যালাইনমেন্ট—শনাক্ত করতে পারে
• সাধারণ যন্ত্র পাঠ: শুধু গোলাকার ডায়াল বা সাইট গ্লাসেই সীমাবদ্ধ না থেকে এখন ডিজিটাল ডিসপ্লে, লিনিয়ার স্কেল, রুলার এবং লিকুইড থার্মোমিটার পর্যন্ত পড়তে পারে—মোট ১০ ধরনের যন্ত্রের ওপর পরীক্ষিত
• উন্নত স্থানিক প্রশ্নোত্তর: জেমিনির মাল্টিমোডাল বোঝাপড়ার উন্নতির মাধ্যমে ভিজ্যুয়াল প্রশ্নোত্তরের সক্ষমতাও বেড়েছে

নিরাপত্তায় উল্লেখযোগ্য অগ্রগতি

জেমিনি রোবোটিক্স ইআর ২ এখন পর্যন্ত গুগলের সবচেয়ে নিরাপদ রোবোটিক্স মডেল, যা সেফটি ইনস্ট্রাকশন ফলোয়িং এবং হিউম্যান প্রক্সিমিটি বেঞ্চমার্কে উল্লেখযোগ্য উন্নতি দেখিয়েছে। পরীক্ষায় দেখা গেছে, কাছাকাছি কোনো মানুষ থাকলে এই মডেল সফলভাবে একটি হিউম্যানয়েড রোবটকে থামিয়ে দেয়, এবং এলাকা পরিষ্কার হওয়ার পরই স্বয়ংক্রিয়ভাবে কাজ পুনরায় শুরু করে।

ফিজিক্যাল এজেন্টের নিরাপত্তা আরও এগিয়ে নিতে গুগল একটি নতুন বেঞ্চমার্কও চালু করেছে, যা একটি ফাউন্ডেশন মডেল কতটা নিরাপদভাবে একটি VLA অর্কেস্ট্রেটর হিসেবে কাজ করতে পারে তা যাচাই করে—নিরাপত্তা সীমা প্রয়োগ, পরিবেশ পর্যবেক্ষণ, শারীরিক সম্ভাব্যতা মূল্যায়ন এবং প্রয়োজনে মানুষের কাছ থেকে স্পষ্টীকরণ চাওয়ার সক্ষমতা পরীক্ষা করে।

ভবিষ্যৎ পরিকল্পনা

গুগল ডিপমাইন্ড জানিয়েছে, তারা এই মডেলগুলোকে আরও জটিল কাজের দিকে এগিয়ে নেওয়ার পরিকল্পনা করছে, যাতে সহায়ক রোবটের উন্নয়ন আরও দ্রুততর হয় এবং সামগ্রিক রোবোটিক্স কমিউনিটি উপকৃত হয়।

শেষ কথা

জেমিনি রোবোটিক্স ইআর ২ প্রমাণ করে, রোবোটিক্সের ভবিষ্যৎ শুধু শারীরিক নড়াচড়ার নিখুঁততার ওপর নির্ভর করে না—বরং নির্ভর করে বাস্তব সময়ে চিন্তা করা, পরিকল্পনা করা এবং প্রয়োজনে অন্য রোবটের সঙ্গে সমন্বয় করার সক্ষমতার ওপর। ভিডিও বোঝাপড়া, টুল অর্কেস্ট্রেশন ও মাল্টি-রোবট সহযোগিতায় বড় লাফ দিয়ে গুগল দেখিয়ে দিয়েছে, “ফিজিক্যাল এআই” ধারণাটি এখন আর তাত্ত্বিক নয়—বরং ডেভেলপারদের হাতে-কলমে ব্যবহারের জন্য প্রস্তুত।