Google иска Gemini 4 Argon да бъде единственият ИИ модел, от който се нуждаят роботите

С Gemini 4 Argon Google представя единен модел за целия роботизиран процес. Той управлява роботи, изгражда виртуални тренировъчни светове и оценява тренировъчни видеа. Но примерните инструкции разкриват колко много човешки напътствия все още са нужни на модела.

Роботът Spot на Boston Dynamics трябва да хвърля кенчета със сода в кошче за отпадъци с педал. Преди да докосне истинския педал, Gemini 4 Argon изгражда виртуално копие на кошчето, а роботът упражнява балансирането на три крака в тази симулация. Едва след това той опитва задачата с реалния хардуер. Преди да пусне кенчето, още два AI агента проверяват дали кракът и захватът са правилно позиционирани.

Така Google демонстрира възможностите на своя най-нов модел за роботизирани задачи. Argon е създаден така, че да разбира по-добре пространствените отношения, да пише код за управление и да интерпретира видеа от гледна точка на физиката. Google вижда модела като универсален инструмент, който обхваща всичко — от управлението на отделни роботи до възпроизвеждането на публикувани изследвания, и го определя като поредна стъпка към „физически AGI“ — цел, която компанията и нейното AI дъщерно дружество DeepMind преследват от години.

Една снимка се превръща в хиляди тренировъчни изпълнения

Демонстрацията със Spot следва модел, който се появява в много от примерите на Google: Argon използва симулации, за да подготвя и проверява задачи или да генерира тренировъчни данни. От една-единствена снимка на маса с парти принадлежности моделът изгради виртуално копие, включително мека плюшена шапка. Той измисли 77 задачи — от изправяне на преобърнати предмети до разчистване на масата — и генерира над 4500 тренировъчни епизода за модел за управление. При тестване с реалния робот процентът на успех се повиши от 56 на 75 процента, а времето за изпълнение спадна от 35 на 24 секунди.

Argon може да работи и с други източници. От запис на дистанционно управляван робот той изгражда симулация, която изглежда по същия начин и възпроизвежда същите измервания на силата върху върховете на пръстите. От видео от първо лице на човек, изпълняващ задача за хващане, моделът пренася движенията на ръцете и пръстите върху виртуален хуманоид с петпръсти ръце.

Дори скица с химикал работи. На една рисунка хуманоиден робот събаря пирамида от кутии с топка, а Argon я превръща в симулация, която изчислява движение за хвърляне, за да събори и шестте кутии, без роботът да падне.

Argon насочва AI видео модел при планирането на действията на робота

Една от демонстрациите се развива изцяло във видео, генерирано от AI. Gemini Omni е видео модел на света, който генерира клипове, показващи как се променя дадена сцена, когато нещо се случи в нея, а Argon действа като режисьор. Той пише инструкции с времеви маркери, описващи какво трябва да направят ръцете — например да плъзнат плочка от Scrabble към центъра на масата. Gemini Omni генерира видео по тези инструкции, а след това Argon проверява отделни кадри и коригира следващата команда. Целта е пет разпръснати буквени плочки да бъдат подредени така, че да изпишат „ARGON“, и след 33 стъпки те са в правилния ред.

В отделна демонстрация с проста роботизирана ръка Argon трябваше да постави Lego тухличка в дървена кутия и с течение на времето да подобри собственото си представяне. Когато опитите се проваляха, инструкцията казваше на Argon да прегледа собствените си логове и изображенията от камерата, да открие причината и да опита отново, след като приложи проверено решение. Първото изпълнение отне малко под минута, а второто беше много по-бързо — 23 секунди, макар че тухличката закачи ръба на кутията. При третия опит тя попадна точно в центъра след около 17 секунди.

Google иска Argon да служи и на научните изследвания. С една-единствена инструкция за всяка статия той възпроизвежда публикувани роботизирани експерименти като интерактивни симулации, които работят в браузъра. Google заявява, че досега са създадени 68 такива пясъчника, включително роботизиран футбол и хуманоиден робот върху скейтборд.

Бенчмаркът ERQA (Embodied Reasoning Question Answering) проверява доколко добре AI моделите разбират и решават физически и пространствени задачи в 3D среди. Тестът е използвал 400 въпроса без помощни инструменти, така че моделите е трябвало да решат всичко само чрез разсъждение. Според Google Argon постига 87 процента — пред всички останали водещи модели. Класиралият се на второ място Claude Opus 5.5 достига 82,3 процента, с около пет процентни пункта по-малко. GPT-6 Astra следва с 81 процента, а Claude Fable 5.1 изостава със 74 процента — 13 пункта назад.

Бенчмаркът AA-Robotics на Artificial Analysis, публикуван ден по-късно, разказва различна история. В този тест езиковите модели управляват директно реална роботизирана ръка при осем задачи, а Argon заема трето място с 55 от 100 точки — след GPT-6 Astra с 69 и GPT-6.1 Sol с 65.

Argon оценява и качеството на тренировъчните данни

Освен да управлява роботи и да изгражда симулации, Argon трябва да оценява тренировъчни данни. Във видео с продължителност малко над две минути, показващо робот с две ръце, който сгъва оригами лисица, моделът разделя последователността на подстъпки и отбелязва паузите и неуспешните захващания. След това на тези сегменти се придава по-малка тежест при обучението. В друго видео на човек, който сортира пръстени, Argon проследява къде задачата напредва, спира или се връща назад.

Google показа и по-игрив случай на употреба, базиран на класическа задача с везна. Сред дванадесет еднакво изглеждащи топки една е по-тежка или по-лека от останалите. Argon изгражда симулация с две роботизирани ръце и везна, като разчита наклона на везната само от изображенията на камерата. Той открива различната топка с три или по-малко претегляния.

Истинската опора се крие в инструкциите

Google публикува подробни примерни инструкции за демонстрациите и те поставят някои от по-големите твърдения в перспектива. При изправянето на преобърната чаша, описано като „zero-shot“, Argon получава изображение от камера с наложена сантиметрова координатна мрежа и предварително създадени команди като „хвани“ или „спускай до контакт“. При симулациите има дълги списъци със забрани, които не позволяват на модела да използва преки пътища — например просто да копира измерените стойности на сензорите. Google не споделя проценти на неуспех за отделните демонстрации в публикацията в блога, а процентът на успех от 75 процента не е придружен от информация на колко общо опита се основава.

Argon вече е достъпен в Google AI Studio и средата за разработка Antigravity, но само за абонати на Google AI Ultra. Разработчиците могат да получат достъп до модела и чрез платеното ниво на Gemini API.

Google беше пуснал Gemini 4 Argon глобално само дни по-рано. За роботиката компанията вече беше представила Gemini Robotics-ER 1.6 — модел за пространствено възприятие и планиране на задачи. Обучението във виртуални среди също не е новост: стартъпът World Labs показа как реални сцени могат да бъдат превръщани във виртуални тренировъчни светове, докато DreamDojo на Nvidia симулира действията на роботи като видеа. Това, което отличава подхода на Google, е амбицията да обработва симулацията, управлението и оценяването с един и същ модел.

AI новини без хайпа – подбрани от хора

Абонирайте се за THE DECODER за четене без реклами, седмичен AI бюлетин, нашия ексклузивен шест пъти годишно доклад за водещите модели „AI Radar“, пълен достъп до архива и достъп до секцията за коментари.