![]() Gemini Robotics ER 2, robotların aynı anda düşünmesini ve işbirliği yapmasını sağladıGemini Robotics ER 2 Enables Simultaneous Thinking and Collaboration in RobotsHabere gitRead the article Türkçe (otomatik çeviri) English (automatic translation) |
ÖzetSummaryGoogle DeepMind, 30 Temmuz 2026'da Gemini Robotics ER 2'yi devreye aldı. Bu yüksek düzey akıl yürütme modeli, robotların mevcut adımı gerçekleştirirken bir sonraki adımı planlamasına, heterojen robot türleri arasında koordinasyon kurmasına ve gerçek zamanlı olarak harici araçları çağırmasına olanak tanıyor. Tüm bunlar saniyenin altındaki gecikme süresinde gerçekleşiyor. Model, şu anda Gemini API, AI Studio ve özel önizleme aşamasındaki kurumsal platform üzerinden erişime açık.Google DeepMind launched Gemini Robotics ER 2 on July 30, 2026. This high-level reasoning model enables robots to plan the next step while executing the current one, coordinate across heterogeneous robot types, and invoke external tools in real time, all with sub-second latency. The model is currently accessible via the Gemini API, AI Studio, and a private preview enterprise platform. |
Neden ÖnemliWhy it mattersModel, bedenli yapay zekada uzun süredir var olan iki darboğazı doğrudan ele alıyor: Fiziksel bir görevin gerçekten ne zaman tamamlandığını bilmek ve merkezi bir orkestratör olmadan birden fazla robotun ortak bir hedefin anlamsal anlayışını paylaşması. ER 2'nin 'düşünme' işlevini düşük düzey VLA denetleyicilerindeki 'hareket' işlevinden ayırması, modeli robot bağımsız kılıyor. Bu durum, her platform için özel bir model gerektirmek yerine dört bacaklı robotlardan kollara ve humanoidlere kadar geniş bir yelpazede devreye almayı hızlandırabilir.The model directly addresses two long-standing bottlenecks in embodied AI: knowing when a physical task is truly complete and enabling multiple robots to share a semantic understanding of a common goal without a central orchestrator. By separating ER 2's 'thinking' function from the 'action' function in low-level VLA controllers, the model becomes robot-agnostic. This could accelerate deployment across a wide range of platforms—from quadrupeds to arms and humanoids—rather than requiring a custom model for each. |
Öne ÇıkanlarHighlights
|
EleştiriCritical takeGörev tamamlama sınıflandırma puanı %57,4. Bu oran 'tüm rakiplerin önünde' olarak sunulsa da, modelin görev tamamlanmasını yaklaşık %43 oranında yanlış değerlendirdiği anlamına geliyor. Bu, güvenlik açısından kritik endüstriyel veya hastane ortamları için ciddi bir güvenilirlik açığıdır. Makale, kontrollü demolar (Spot'un atıştırmalık getirmesi) ile kontrolsüz gerçek dünya koşulları (değişken aydınlatma, öngörülemez insanlar, düzensiz yüzeyler) arasındaki uçurumu kabul ediyor. Ayrıca fiyatlandırma veya SLA detayları yayınlanmadığı için, saniyenin altındaki video akışı çıkarımının ticari uygulanabilirliği büyük ölçüde doğrulanmamış durumda.The task completion classification score is 57.4%. Although presented as 'ahead of all competitors,' this means the model misjudges task completion approximately 43% of the time, representing a significant reliability gap for safety-critical industrial or hospital environments. The article acknowledges the gap between controlled demos (e.g., Spot fetching a snack) and uncontrolled real-world conditions (variable lighting, unpredictable humans, uneven surfaces). Additionally, since pricing or SLA details have not been published, the commercial viability of sub-second video stream inference remains largely unverified. |
