Gemini Robotics 2.5 تساعد Apollo 2 على فرز قطع مرسيدس بنسبة نجاح 96%

في خط التجميع يجب إخراج حامل معدني من كومة عشوائية ووضعه في الخانة الصحيحة من الصينية. بالنسبة للإنسان هذا عمل روتيني. أما بالنسبة للروبوت فكل دوران جديد للقطعة يغيّر شروط الإمساك بها. وهذه هي العملية التي اختبرتها DeepMind مع Apollo 2 في مصانع Mercedes-Benz: وتفيد الشركة بتحقيق 96% من عمليات التنفيذ الناجحة. وفي ذلك ما يستحق أن يدرسه مطورو الأتمتة، وما ينبغي أن يحسبه مديرو المنتجات قبل تجربتهم الخاصة.

كيف يتحول الأمر إلى حركة

ينتمي Gemini Robotics 2.5 إلى نماذج VLA، وهي نماذج تربط بين الصورة والمهمة اللغوية والفعل الفيزيائي. وبمثال بسيط: يتلقى الروبوت مهمة ترتيب القطع، ويرى محتوى الصندوق عبر الكاميرات، ويتحكم في الماسك مع مراعاة المشهد الحالي. وفي صفحة النموذج تتيح Google التسجيل في قائمة انتظار الوصول المبكر.

وفي الاختبار داخل المصنع جرى توزيع المهام. فقد كان Gemini Robotics ER يتابع سير العمل، بينما كان Robotics 2.5 يتحكم في ذراعي Apollo 2. ونقل الروبوت حوامل معدنية من صناديق مشتركة إلى حاويات، مجهّزًا القطع بحسب ترتيب التجميع. وأُجريت الاختبارات في كيتشكيميت وزيندلفينغن. وتصفها DeepMind صراحةً بأنها إثبات للمفهوم. وتتوفر التفاصيل في إعلان الشركة.

بالنسبة للمهندس، يفيد هذا الفصل كوسيلة لتحليل الأعطال. فإذا وُجدت قطعة خاطئة في الصينية، فينبغي معرفة أين نشأ الخطأ: هل فهم النظام الخطوة التالية خطأً، أم اختار الجسم الخطأ، أم لم يتمكن من إبقائه ممسوكًا. هذه مشكلات مختلفة، وسجل يحتوي على عبارة واحدة «فشلت العملية» لا يفيد كثيرًا في التصحيح.

وفي نموذجك الأولي الخاص يستحسن الاحتفاظ بالحزمة التالية: المهمة، ولقطة ما قبل الإمساك، والفعل المختار، ونتيجة التحقق. عندها يمكن رؤية الأخطاء المتكررة وتحديد ما يجب تغييره: موضع الكاميرا، أو الماسك، أو تغذية القطع، أو منطق المهمة. وهذا استنتاج عملي لتصميم النظام، وليس وصفًا لتنفيذ منشور من Google.

ماذا تعني نتيجة 96%

لنفترض أن عمليتك تحقق أيضًا نجاحًا بنسبة 96%. فمن كل مئة محاولة تبقى نحو أربع محاولات فاشلة. لكن النسبة نفسها من الأخطاء قد تعني عبئًا مختلفًا تمامًا على الإنتاج. ففي حالة يكرر الروبوت الإمساك ببساطة. وفي أخرى يُسقط القطعة، أو يجمّع طقمًا خاطئًا، أو يستلزم إيقاف الموقع.

لذلك لا يجيب الرقم وحده عن سؤال الجدوى. يحتاج الفريق إلى زمن الدورة الكاملة، وتكرار استدعاء المشغّل، ومدة التعافي، وعواقب الخطأ غير المكتشف. ومن المفيد بوجه خاص احتساب المحاولات المكتملة دون مساعدة بشرية بصورة منفصلة، وإلا ذابت التصحيحات اليدوية بسهولة في متوسط جميل.

ينبغي إجراء الاختبار على الأجسام والظروف الخاصة بالموقع المستقبلي. فمثلًا، إدراج صندوق شبه فارغ، وقطع متراكبة، ووضعية غير مريحة للحامل مسبقًا. ويجب أن تعكس القائمة الأسباب الحقيقية للتوقف. وإلا فلن تثبت التجربة سوى أن الروبوت يعمل جيدًا في مشهد أُعدّ له.

من أين تبدأ تجربتك الخاصة

الخطوة الأولى هي اختيار عملية متكررة واحدة بمعيار نجاح واضح. وفي حالة تجميع الأطقم قد يكون ذلك وضع القطعة الصحيحة في الخانة الصحيحة خلال زمن مقبول. وقبل الاختبارات ينبغي تحديد من يؤكد النتيجة وما يحدث عند الشك: إعادة المحاولة أو التخطي أو استدعاء إنسان.

ثم يجدر مقارنة عدة طرق لتنفيذ هذه العملية، بما في ذلك تغيير طريقة تغذية القطع نفسها. فأحيانًا تعطي صينية مناسبة أو أداة تثبيت بسيطة نتيجة أفضل من تعقيد التحكم. ومن المنطقي تقييم النموذج داخل منظومة العمل كاملة: مع المعدات وفحص الجودة والصيانة.

يمنح إعلان DeepMind سببًا ملموسًا لإجراء مثل هذه التجربة. ويجب أن يستند قرار الشراء إلى قياسات موقعك الخاص. فإذا حافظ الروبوت على الوتيرة المطلوبة، وكُشفت الأخطاء، وكانت كلفة التعافي مقبولة، فعندئذ يصبح الحديث عن التطبيق جادًا. وحتى ذلك الحين تبقى نسبة 96% نتيجة تجربة طرف آخر، ومرجعًا مفيدًا لاختبار فرضيتك.