थोडक्यात: Project Astra हा Google DeepMind चा real-time, multimodal AI assistant संशोधन प्रकल्प आहे; Project Mariner हा browser मधील कामे समजून पूर्ण करण्यासाठी तयार केलेला agent आहे. दोन्ही प्रकल्प AI ला केवळ प्रश्नांची उत्तरे देण्यापासून पुढे नेऊन स्क्रीन, कॅमेरा, आवाज आणि web interface यांच्या संदर्भात कृती करण्याचा प्रयत्न करतात. मात्र प्रत्येक demo हे सर्व वापरकर्त्यांना आजच उपलब्ध असलेले finished product समजू नये.
हा लेख विशेषतः मराठी विद्यार्थी, तंत्रज्ञान व्यावसायिक, लहान व्यवसाय आणि Gemini वापरकर्त्यांसाठी आहे. १४ मे २०२४ च्या Google I/O घोषणेपासून मे २०२५ मधील DeepMind update पर्यंतच्या अधिकृत माहितीत काय बदलले, प्रत्यक्ष उपयोग कुठे होऊ शकतो आणि कोणत्या दाव्यांकडे सावधपणे पाहावे. हे आपण उदाहरणांसह तपासणार आहोत.
संपादकीय तपासणी नोंद (३१ जुलै २०२६): या लेखातील उपलब्धता आणि क्षमता Google DeepMind चे Project Astra page, Google चे Gemini 2.0 announcement आणि I/O 2025 update यांच्याशी पुन्हा पडताळल्या आहेत. Google नवीन features टप्प्याटप्प्याने आणि देशानुसार देते; म्हणून पैसे भरण्यापूर्वी किंवा संवेदनशील खाते जोडण्यापूर्वी तुमच्या Gemini app मधील उपलब्धता तपासा.
Project Astra म्हणजे नेमके काय?
Google ने I/O 2024 मध्ये Astra ला “future of AI assistants” साठीचा research prototype म्हणून दाखवले. फोनच्या कॅमेऱ्यातून येणारा video, microphone मधील आवाज आणि संभाषणाचा आधीचा संदर्भ एकत्र समजणे हा त्याचा मुख्य फरक आहे. उदाहरणार्थ, टेबलवरील एखादी वस्तू दाखवून तिच्याबद्दल प्रश्न विचारणे, नंतर camera दुसरीकडे वळवल्यावर आधीची वस्तू कुठे होती हे विचारणे अशा सलग संवादासाठी multimodal memory आवश्यक असते.
Astra स्वतंत्रपणे सर्वांसाठी download करता येणारे app नाही. DeepMind त्यातील video understanding, screen sharing आणि memory यांसारख्या क्षमता Gemini Live व इतर Google अनुभवांमध्ये आणत आहे. त्यामुळे “Astra उपलब्ध आहे” आणि “Astra मधून संशोधित केलेली काही feature उपलब्ध आहेत” या दोन विधानांत फरक आहे. हा फरक लक्षात घेतल्यास जाहिराती किंवा social-media demos मधील अतिशयोक्ती टाळता येते.
Multimodal AI सोप्या भाषेत
सामान्य chatbot ला text prompt दिल्यावर text उत्तर मिळते. Multimodal assistant मात्र camera frame, बोललेले शब्द, screen वरील मजकूर आणि आधीचे प्रश्न एकाच संदर्भात जोडतो. पुण्यातील एखाद्या विद्यार्थ्याने circuit board कॅमेऱ्यासमोर धरून “या लाल wire चे काम काय?” विचारले, तर system ला वस्तू पाहणे, “लाल wire” कोणती ते ओळखणे आणि तांत्रिक उत्तर देणे, ही तीन कामे एकत्र करावी लागतात.
| माध्यम | Astra काय समजू शकतो? | वापराचे उदाहरण |
|---|---|---|
| Camera / video | वस्तू, जागा आणि बदलता scene | यंत्रातील भाग ओळखून सुरक्षित सूचना विचारणे |
| Voice / audio | बोललेला प्रश्न आणि संवादाचा सूर | हात व्यस्त असताना पुढचा प्रश्न विचारणे |
| Screen | App किंवा document मधील दिसणारी माहिती | Form मधील error समजावून घेणे |
| Memory | आधीच्या संभाषणातील संबंधित संदर्भ | “आपण आधी पाहिलेला पर्याय पुन्हा दाखव” म्हणणे |
Astra मधील महत्त्वाच्या क्षमता
१. नैसर्गिक आणि सलग संवाद
Google च्या demo मध्ये assistant सतत audio-video stream समजून कमी विलंबाने उत्तर देताना दिसतो. याचा व्यावहारिक फायदा म्हणजे प्रत्येक प्रश्नात संपूर्ण पार्श्वभूमी पुन्हा सांगावी लागत नाही. तरी network quality, device आणि model load मुळे प्रत्यक्ष response time बदलू शकतो. “मानवी वेग हमखास मिळतो” असा दावा करण्याऐवजी तुमच्या फोनवर camera आणि screen-sharing session छोट्या, असंवेदनशील कामाने तपासणे योग्य ठरेल.
२. Search, Maps आणि इतर tools सोबत कृती
Assistant फक्त माहिती तयार न करता बाह्य tool वापरतो तेव्हा तो agent बनतो. एखाद्या वस्तूची ओळख झाल्यानंतर Search मधून अधिकृत specifications शोधणे किंवा Maps वर जवळचे service centre दाखवणे शक्य होऊ शकते. किंमत, stock किंवा route सारखी माहिती सतत बदलते; म्हणून खरेदी, booking किंवा प्रवासाचा अंतिम निर्णय मूळ website/app वर तपासूनच घ्या.
३. फोनपासून prototype glasses पर्यंत
DeepMind च्या अधिकृत माहितीनुसार Astra Android phone आणि prototype glasses या form factors वर तपासला गेला आहे. Glasses मधून वापरकर्त्याला दिसणारा scene assistant समजू शकणे accessibility आणि hands-free मदतीसाठी उपयोगी ठरू शकते. पण prototype चा demo म्हणजे भारतात retail विक्री सुरू झाली असे नाही. किंमत, launch date किंवा भारतीय भाषांचे support Google च्या अधिकृत product page वर जाहीर झाल्यावरच निश्चित मानावे.
Project Mariner काय करतो?
Project Mariner हा Gemini 2.0 वर आधारित browser-agent prototype म्हणून डिसेंबर २०२४ मध्ये सादर झाला. तो browser screen मधील pixels सोबत text, code, images आणि forms समजून active tab मध्ये type, scroll किंवा click करू शकतो. उदाहरणार्थ, अनेक websites मधील hotel options शोधून ठरावीक budget आणि date नुसार shortlist बनवणे हे Mariner-सारख्या agent चे योग्य काम आहे.
महत्त्वाची मर्यादा म्हणजे agent ने स्वतःहून अंतिम आर्थिक किंवा संवेदनशील कृती करू नये. Google च्या मूळ announcement मध्ये prescription खरेदीसारख्या sensitive action आधी user confirmation घेतल्याचे नमूद आहे. Booking, payment, email पाठवणे किंवा account setting बदलणे यासाठी screen वर काय निवडले आहे ते वाचून मगच परवानगी द्या.
Mariner चा २०२५ मधील बदल
DeepMind च्या I/O 2025 update नुसार सुधारित Mariner system एकावेळी दहा tasks पर्यंत हाताळू शकतो आणि त्यातील काही क्षमता अमेरिकेतील Google AI Ultra subscribers साठी उपलब्ध करण्यात आल्या. ही माहिती region-specific आहे. भारतातील account वर समान feature, समान limit किंवा समान subscription असेलच असे नाही; Gemini च्या plan page आणि app मधील feature list हीच अंतिम तपासणी मानावी.
महाराष्ट्रातील वापरकर्त्यांसाठी ठोस उपयोग
- विद्यार्थी: diagram किंवा प्रयोगाचे setup दाखवून उत्तर मागण्याऐवजी “पुढची पायरी का आवश्यक आहे?” असे विचारल्यास शिकण्याची प्रक्रिया स्पष्ट होऊ शकते.
- लहान व्यवसाय: supplier websites मधील सार्वजनिक किंमती व delivery terms गोळा करून comparison तयार करता येईल; अंतिम order मात्र मालकाने तपासावा.
- तांत्रिक support: screen share करून error message समजावून घेता येईल. Password, OTP, API key किंवा ग्राहकांची वैयक्तिक माहिती आधी झाकणे आवश्यक आहे.
- प्रवास: route options गोळा करणे सोपे होईल; live timetable, fare आणि seat availability अधिकृत provider कडे पुन्हा तपासा.
- Accessibility: Visual Interpreter prototype blind आणि low-vision community सोबत विकसित केला जात आहे. अनोळखी जागेतील वस्तू समजावणे उपयोगी ठरू शकते, पण रस्ता ओलांडणे किंवा वैद्यकीय निर्णय यासाठी AI वर एकट्याने अवलंबून राहू नये.
Privacy आणि सुरक्षा: वापरण्यापूर्वी पाच नियम
Camera, microphone, email आणि browser access एकत्र आल्यावर assistant उपयुक्त होतो; त्याच वेळी चुकीच्या permission चे नुकसानही वाढते. “AI Google चे आहे म्हणून प्रत्येक input सुरक्षितच असेल” असे गृहित धरू नका. कोणता data cloud वर process होतो, activity किती काळ साठते आणि session delete करण्याची setting कुठे आहे हे account च्या privacy controls मध्ये वाचा.
- पहिली चाचणी dummy किंवा असंवेदनशील माहितीसह करा.
- Password, OTP, card number, Aadhaar किंवा private client data camera/screen वर दिसू देऊ नका.
- Agent ने निवडलेली वस्तू, संख्या, तारीख आणि delivery address अंतिम click आधी तपासा.
- Website मधील लपवलेल्या prompt-injection सूचनांमुळे agent भरकटू शकतो; अनपेक्षित action दिसल्यास session थांबवा.
- काम पूर्ण झाल्यावर camera, microphone आणि browser permission आवश्यक नसेल तर बंद करा.
दावे आणि वास्तव यातील फरक
Demo अचूकता म्हणजे production reliability नाही. निवडक demonstration मध्ये environment नियंत्रित असते. प्रत्यक्ष website layout बदलू शकतो, Marathi-English mixed query चुकीची समजली जाऊ शकते किंवा agent योग्य item ऐवजी sponsored result निवडू शकतो. म्हणून low-risk research आणि summarization पासून सुरुवात करा; financial, legal, medical किंवा safety-critical निर्णयासाठी तज्ज्ञ व अधिकृत स्रोत वापरा.
Mariner आणि Astra एकच गोष्ट नाहीत. Astra वास्तविक जगातील audio-video context आणि universal assistant च्या दिशेने संशोधन करतो, तर Mariner ची सुरुवात browser interaction पासून झाली. पुढे दोन्हींच्या क्षमता Gemini मध्ये एकत्र दिसू शकतात, पण उपलब्धता, permissions आणि risk वेगळे असतात.
आज तुम्ही काय तपासू शकता?
तुमच्या Gemini app मध्ये Live, camera किंवा screen-sharing पर्याय दिसत असल्यास एक सोपी चाचणी करा: वैयक्तिक माहिती नसलेला household object दाखवा, त्याबद्दल एक प्रश्न विचारा आणि नंतर follow-up मध्ये आधीच्या उत्तराचा संदर्भ द्या. उत्तरातील model number, किंमत किंवा safety instruction स्वतंत्र अधिकृत source वर पडताळा. यामुळे feature चे फायदे आणि hallucination दोन्ही जोखीम न घेता समजतील.
Project Astra आणि Project Mariner हे “chatbot नंतर काय?” या प्रश्नाची Google कडून मिळालेली दोन वेगळी उत्तरे आहेत. Astra पाहणे, ऐकणे आणि संदर्भ राखणे यावर भर देतो; Mariner browser interface मध्ये काम पूर्ण करण्यावर. दोन्ही उपयुक्त ठरू शकतात, पण त्यांच्या नावावर फिरणाऱ्या प्रत्येक claim ला उपलब्ध product feature समजू नका. आजची योग्य कृती म्हणजे Gemini मधील उपलब्ध feature छोट्या कामावर तपासणे, permissions मर्यादित ठेवणे आणि अंतिम निर्णय स्वतः पडताळणे.
वारंवार विचारले जाणारे प्रश्न
Project Astra सर्वांसाठी उपलब्ध आहे का?
नाही. DeepMind त्याला limited trusted testers कडून वापरला जाणारा research prototype म्हणते. त्यातील video understanding आणि screen sharing सारख्या काही कल्पना Gemini Live मध्ये टप्प्याटप्प्याने आल्या आहेत.
Project Mariner भारतात वापरता येतो का?
Google ने I/O 2025 वेळी updated Mariner अमेरिकेतील Google AI Ultra subscribers साठी जाहीर केला होता. भारतातील उपलब्धतेसाठी तुमच्या Google account मधील current plan आणि अधिकृत support page तपासा.
Agent ला payment किंवा booking करू द्यावी का?
Agent संशोधन आणि shortlist साठी वापरा; अंतिम किंमत, तारीख, वस्तू आणि पत्ता स्वतः तपासून confirmation द्या. OTP, card details किंवा password कोणत्याही prompt मध्ये देऊ नका.
अधिकृत संदर्भ
- Google DeepMind Project Astra
- Google I/O 2024 Project Astra announcement
- Google Gemini 2.0, Project Astra and Project Mariner
- Google DeepMind Universal AI assistant update, I/O 2025
Disclosure: Mee Marathi चा Google शी व्यावसायिक संबंध नाही. हा लेख माहिती व शिक्षणासाठी असून feature availability बदलू शकते.