রোবট যদি মানুষের দৈনন্দিন পরিবেশে সাহায্য করতে চায়, তাহলে শুধু সঠিক স্থানিক চিন্তাভাবনা যথেষ্ট নয়। রোবটকে দ্রুত চিন্তা করতেও হবে—তার সিদ্ধান্ত এবং যুক্তিকে বাস্তব জগতের গতির সাথে মিলিয়ে চলতে হবে।
এই কারণেই আজ আমরা উন্মোচন করছি Gemini Robotics ER 2—রোবোটিকসের জন্য আমাদের সবচেয়ে শক্তিশালী “এম্বোডিড রিজনিং” (সশরীরে যুক্তিবিচার) মডেল। Gemini Robotics ER 2-কে রোবটের জন্য একটি উচ্চক্ষমতাসম্পন্ন মস্তিষ্ক হিসেবে ভাবা যেতে পারে। এটি রোবটকে মানুষের সাথে কথা বলতে, ভৌত জগত বুঝতে এবং বহু-ধাপের কাজের পরিকল্পনা করতে সক্ষম করে। এরপর এটি মোটর নিয়ন্ত্রণের দায়িত্ব যেকোনো নিম্নস্তরের ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন (VLA) মডেলের কাছে হস্তান্তর করে। Gemini Robotics ER 2 প্রয়োজনে Google Search-এর মতো টুল বা ব্যবহারকারীর সংজ্ঞায়িত যেকোনো ফাংশনও সরাসরি কল করতে পারে। Gemini Robotics ER 2-এর এই নকশা রোবটকে তার কাজ সম্পাদনের পাশাপাশি পরবর্তী পদক্ষেপ সম্পর্কে “চিন্তা” করার সুযোগ দেয়।
Gemini Robotics ER 2 হলো Gemini Robotics ER 1.6-এর তুলনায় একটি উল্লেখযোগ্য উন্নত সংস্করণ। অবিরাম ভিডিও ফিড পর্যবেক্ষণের মাধ্যমে রোবট এখন নিজের অগ্রগতি ট্র্যাক করতে পারে, কিছু ভুল হলে তা সংশোধন করতে পারে এবং পরবর্তী ধাপে যাওয়ার সঠিক সময় নির্ধারণ করতে জানে। আমরা মাল্টি-রোবট সহযোগিতাও চালু করছি, যার ফলে রোবটরা একই জায়গায় একসাথে কাজ করতে পারবে এবং এমন জটিল কর্মপ্রবাহ সম্পন্ন করতে পারবে যা একক রোবটের পক্ষে সম্ভব নয়।
Gemini Robotics ER 2 এখন ডেভেলপারদের জন্য Gemini API, Google AI Studio-র মাধ্যমে সর্বজনীনভাবে এবং Gemini Enterprise Agent Platform-এ প্রাইভেট প্রিভিউ হিসেবে উপলব্ধ। শুরু করতে সহায়তার জন্য আমরা উদাহরণ শেয়ার করছি, যেখানে মডেলটি কীভাবে কনফিগার করতে হয় এবং আরও কার্যকর ফিজিক্যাল AI কাজের জন্য কীভাবে প্রম্পট দিতে হয় তা দেখানো হয়েছে।
ফিজিক্যাল এজেন্টিক ক্ষমতার অগ্রগতি
বাস্তব জগতের বেশিরভাগ কাজই জটিল এবং সম্পন্ন করতে একাধিক ধাপ প্রয়োজন। Gemini Robotics ER 2 একটি ফিজিক্যাল এজেন্ট, যা রোবটের জন্য ধাপগুলো সুসংগঠিত করে, আত্ম-সংশোধনে সক্ষম করে এবং নতুন পরিস্থিতিতে খাপ খাওয়াতে সাহায্য করে। এজেন্টিক সেটআপ তৈরি করতে ডেভেলপাররা নিম্নস্তরের নিয়ন্ত্রণ ইন্টারফেস—যেমন ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন (VLA) মডেল বা নেভিগেশন API—টুল হিসেবে ঘোষণা করতে পারেন এবং সরাসরি মডেলে মাল্টিমিডিয়া ভিডিও, অডিও বা টেক্সট স্ট্রিম করতে পারেন।
Gemini Robotics ER 2 এই টুল অর্কেস্ট্রেশন কর্মপ্রবাহকে আরও উন্নত করে। আমরা সিমুলেশনে, বাস্তব রোবট নিয়ন্ত্রণ ব্যবহার করে এবং এমনকি রোবটকে দূর থেকে নিয়ন্ত্রণকারী মানুষের সাথে যুক্ত করে এর কার্যকারিতা মূল্যায়ন করতে পারি।