Apollo 2 ordena piezas de coches en fábricas de Mercedes con la IA de Google

Apollo 2 mete la mano en una caja de piezas metálicas y las coloca en bandejas siguiendo el orden que necesita cada coche. El humanoide de Apptronik ha realizado esa tarea en líneas de producción de Mercedes-Benz en Alemania y Hungría. Es una prueba de la nueva IA de Google para mover robots, con un trabajo bastante menos vistoso que una acrobacia: dejar preparado lo que otra persona necesitará para montar un vehículo.

Google DeepMind presentó Gemini Robotics 2.5 el 10 de noviembre [en]. En el ensayo de clasificación y preparación de piezas, la compañía comunica un 96% de éxito. La cifra corresponde a esa tarea y a esas condiciones; no mide todo lo que sabe hacer el humanoide.

Una bandeja preparada para el siguiente coche

La demostración se desarrolló en Kecskemét y Sindelfingen. Apollo recoge soportes metálicos de recipientes donde se almacenan a granel y los distribuye en contenedores de secuenciación. Según DeepMind, también corrige los huecos que encuentra durante el proceso.

Preparar esas bandejas obliga a relacionar dos cosas: el objeto que hay dentro de la caja y el lugar que debe ocupar después. Un agarre correcto solo resuelve una parte del trabajo. El robot también tiene que seguir la secuencia para que las piezas estén disponibles cuando las necesita la línea.

La descripción oficial de Gemini Robotics [en] distingue dos funciones del sistema. Un modelo interpreta la situación y organiza los pasos; otro convierte lo que ve el robot y las instrucciones en movimientos. En este ensayo, Gemini Robotics ER sigue el trabajo y la versión 2.5 gobierna brazos y manos.

Un resultado prometedor con una medida incompleta

La novedad amplía lo que contamos sobre Gemini Robotics 2 y el control del cuerpo de Apollo: ahora hay un resultado de manipulación situado en fábricas activas, además de las demostraciones de laboratorio. Sigue siendo una prueba de concepto, no el anuncio de un despliegue general de estos humanoides.

La cobertura de TechTimes [en] señala una limitación concreta del anuncio: faltan el número de intentos, la definición exacta de éxito y la frecuencia de intervención humana. Sin esos datos, el porcentaje no permite saber cuánto tiempo podría sostener el robot ese ritmo durante un turno.

DeepMind está distribuyendo el modelo entre sus socios de robótica. El ensayo deja una imagen clara de su uso: manos que sacan componentes de una caja común para preparar el siguiente montaje.