Cosa fanno davvero i due modelli
Google DeepMind ha annunciato due modelli il 12 marzo. Gemini Robotics viene descritto come un modello vision-language-action (VLA): prende in input linguaggio naturale e immagini e restituisce azioni che permettono a un robot di muoversi fisicamente e svolgere compiti.
Il secondo, Gemini Robotics-ER, è un modello di ragionamento che affina competenze come l'identificazione di oggetti e delle loro parti nello spazio 3D. Vale la pena notare questa separazione: un modello produce il movimento, l'altro costruisce la comprensione spaziale da cui il movimento dipende.
Le demo scelte da Google — piegare origami, preparare il pranzo, comporre parole con le tessere dello Scrabble — sono compiti di manipolazione deliberatamente comuni, non spettacoli allestiti ad arte. Ognuno richiede di gestire piccoli oggetti con margini di errore quasi nulli.
Il prompt è l'interfaccia
Per chi ragiona in termini di frontend, l'aspetto degno di nota qui è il formato di input. L'interfaccia dichiarata per Gemini Robotics è linguaggio naturale e immagini. Nell'annuncio non si parla di teach pendant, programmazione a waypoint o DSL per la pianificazione del movimento: il linguaggio è la superficie di controllo.
Questo azzera una distinzione familiare. Sul web, una chat è un livello di comodità sopra un'API. Su un robot, una chat che genera azioni è l'API. Lo stesso campo di testo che piega una grue di carta afferra anche una tessera dello Scrabble; il frontend e l'attuatore sono separati solo dal modello.
Solleva inoltre questioni di interfaccia che gli assistenti solo testuali non hanno mai dovuto affrontare seriamente. Quando l'output è movimento fisico, l'ambiguità in un prompt ha un costo che nessun tasto
Cosa dice — e cosa non dice — un video demo
Questo post è un contenuto per il feed video, non un report tecnico. Nomina due modelli, ne descrive input e output a grandi linee e mostra alcuni compiti. Non pubblica tassi di successo, dettagli hardware o la gamma di oggetti su cui i modelli generalizzano.
La lettura onesta è quindi limitata: Google sta posizionando Gemini come base per la robotica, con il ragionamento sullo spazio 3D ritagliato in un modello a parte. La varietà dei compiti nel video è un segnale sull'ampiezza d'uso prevista, ma un video è un artefatto curato, non un benchmark.
Perché l'impostazione linguaggio-verso-azione conta per chi costruisce
L'implicazione specifica di questo annuncio è che Google tratta un robot come un'altra superficie che parla il formato di input di Gemini — testo e immagini in entrata, output strutturato in uscita — dove l'output, in questo caso, è azione fisica invece di un flusso di token.
Se questa impostazione si conferma oltre le demo, il lavoro di progettazione per la robotica si avvicina a quello della progettazione di qualsiasi interfaccia linguistica: scrivere istruzioni chiare, gestire l'ambiguità e decidere cosa il modello può tentare di fare. Il divario tra dare un prompt a un chatbot e comandare un robot si riduce a una questione di conseguenze, non di forma dell'API.
Find this story relevant to you?
Contact us to find a unique solution