Gemini 4 Argon: Google chce jednego modelu AI dla robotów

Google rozpoczęło testy Gemini 4 Argon — modelu, który ma objąć całą „linię produkcyjną” robotyki: od sterowania robotem, przez budowanie wirtualnych środowisk treningowych, po ocenę nagrań z treningów. Jak pisze the-decoder.com, przykładowe demonstracje pokazują jednak, jak dużo ludzkiego prowadzenia za rękę model wciąż wymaga.

W jednej z prezentacji robot Spot od Boston Dynamics ma za zadanie wrzucać puszki po napojach do kosza na śmieci otwieranego pedałem. Zanim dotknie prawdziwego pedału, Gemini 4 Argon tworzy wirtualną kopię kosza, a robot ćwiczy w symulacji balansowanie na trzech nogach. Dopiero po tym etapie podejmuje próbę na prawdziwym sprzęcie — a zanim upuści puszkę, dwa dodatkowe agenty AI weryfikują, czy stopa i chwytak są ustawione prawidłowo.

Kluczowe wnioski

• Gemini 4 Argon to próba Google stworzenia jednego modelu obsługującego cały proces robotyczny: sterowanie robotem, generowanie interaktywnych środowisk treningowych w 3D i ocenę danych treningowych.
• Z prostych danych wejściowych, takich jak zdjęcia czy szkice, system buduje symulacje, w których roboty mogą ćwiczyć ruchy przed wdrożeniem w świecie rzeczywistym.
• Z jednego zdjęcia stołu z rekwizytami imprezowymi Argon wygenerował 77 zadań i ponad 4500 epizodów treningowych, podnosząc skuteczność rzeczywistego robota z 56 do 75 procent.
• W benchmarku ERQA (Embodied Reasoning Question Answering) Argon uzyskał wynik 87 procent, wyprzedzając Claude Opus 5.5 (82,3 proc.), GPT-6 Astra (81 proc.) i Claude Fable 5.1 (74 proc.).
• Demonstracje nadal wymagają szczegółowego, ludzkiego promptowania i nadzoru, a model jest dostępny wyłącznie w ramach płatnych programów deweloperskich Google.

Jedno zdjęcie, tysiące symulacji treningowych

Schemat widoczny w demonstracji ze Spotem powtarza się w wielu przykładach pokazanych przez Google: Argon wykorzystuje symulacje do przygotowania zadań, ich weryfikacji lub generowania danych treningowych. Z pojedynczego zdjęcia stołu z rekwizytami imprezowymi — w tym pluszowej czapki — model zbudował wirtualną replikę sceny. Wymyślił 77 zadań, od stawiania przewróconych przedmiotów po sprzątanie stołu, i wygenerował ponad 4500 epizodów treningowych dla modelu kontrolnego. Po przetestowaniu na prawdziwym robocie skuteczność wzrosła z 56 do 75 procent, a czas wykonania zadania skrócił się z 35 do 24 sekund.

Argon potrafi czerpać dane z różnych źródeł. Z nagrania teleoperowanego robota buduje symulację zaprojektowaną tak, by wyglądała identycznie i odtwarzała te same odczyty siły na palcach chwytaka. Z nagrania wideo w pierwszej osobie, pokazującego człowieka wykonującego zadanie chwytania przedmiotu, model mapuje ruchy dłoni i palców na wirtualnego humanoida z pięciopalczastymi dłońmi.

Działa nawet zwykły szkic długopisem. Jeden z rysunków przedstawiał humanoidalnego robota obalającego piłką piramidę pudełek — Argon przekształcił go w symulację obliczającą ruch rzutu, który przewraca wszystkie sześć pudełek bez utraty równowagi przez robota.

Argon jako reżyser wideo AI i samokorygujący się kontroler

Jedna z demonstracji rozgrywa się całkowicie wewnątrz wideo generowanego przez AI. Gemini Omni to model świata wideo, który generuje klipy pokazujące, jak zmienia się scena pod wpływem określonego działania, a Argon pełni funkcję reżysera. Model pisze instrukcje z sygnaturami czasowymi opisujące, co mają zrobić dłonie — na przykład przesunąć literkę do Scrabble na środek stołu. Gemini Omni generuje na tej podstawie wideo, a Argon sprawdza poszczególne klatki i koryguje kolejną komendę. Celem było ułożenie pięciu rozrzuconych literek tak, by powstało słowo „ARGON” — po 33 krokach litery znalazły się we właściwej kolejności.

W innej demonstracji, z prostym ramieniem robota, Argon musiał umieścić klocek Lego w drewnianym pudełku i samodzielnie poprawiać swoje działanie w czasie. Gdy próby się nie udawały, polecenie nakazywało modelowi przejrzeć własne logi i zdjęcia z kamer, znaleźć przyczynę błędu i podjąć kolejną próbę po zastosowaniu zweryfikowanej poprawki. Pierwsza próba zajęła niespełna minutę, druga była znacznie szybsza — 23 sekundy, choć klocek zahaczył o krawędź pudełka. Przy trzecim podejściu klocek wylądował dokładnie na środku po około 17 sekundach.

Google chce też, by Argon służył badaniom naukowym. Na podstawie pojedynczego promptu na artykuł naukowy model odtwarza opublikowane eksperymenty robotyczne jako interaktywne symulacje działające w przeglądarce. Według Google powstało już 68 takich środowisk testowych, w tym symulacje piłki nożnej robotów i humanoidalnego robota na deskorolce.

Wyniki w benchmarkach i cel „fizycznego AGI”

Argon ma lepiej rozumieć relacje przestrzenne, pisać kod sterujący i interpretować wideo w kategoriach fizyki. Google traktuje model jako narzędzie ogólnego przeznaczenia — od sterowania pojedynczymi robotami po odtwarzanie opublikowanych badań — i nazywa go kolejnym krokiem w stronę „fizycznego AGI”, celu, który firma i jej spółka DeepMind realizują od lat. Więcej o samej premierze modelu i jej znaczeniu dla strategii Google opisaliśmy w artykule o powrocie Google do gry w robotyce i AI.

W teście ERQA, który sprawdza zdolność modeli AI do rozumienia i rozwiązywania problemów fizycznych i przestrzennych w środowiskach 3D, wykorzystano 400 pytań bez żadnych narzędzi pomocniczych — modele musiały rozwiązywać zadania wyłącznie przez rozumowanie. Według Google Argon uzyskał wynik 87 procent, wyprzedzając wszystkie inne wiodące modele. Drugie miejsce zajął Claude Opus 5.5 z wynikiem 82,3 procent, czyli około pięciu punktów procentowych mniej. GPT-6 Astra osiągnął 81 procent, a Claude Fable 5.1 zamknął stawkę z wynikiem 74 procent, czyli 13 punktów za liderem.

Inny benchmark — AA-Robotics od Artificial Analysis, opublikowany dzień później — pokazuje jednak inny obraz sytuacji. W tym teście modele językowe bezpośrednio sterują prawdziwym ramieniem robota w ośmiu zadaniach, co daje odmienną perspektywę na rzeczywiste możliwości modelu poza kontrolowanymi warunkami demonstracji przygotowanych przez samego producenta.

Gemini 4 Argon pokazuje ambicje Google w budowie uniwersalnego modelu dla robotyki, który łączy symulację, kontrolę i ocenę danych w jednym systemie. Imponujące wyniki benchmarkowe i spektakularne demonstracje kontrastują jednak z koniecznością szczegółowego prowadzenia modelu przez człowieka oraz z mniej jednoznacznymi wynikami niezależnych testów, co pokazuje, że droga do w pełni autonomicznej „fizycznej AGI” wciąż jest długa.