Google хочет, чтобы Gemini 4 Argon была единственной моделью ИИ, необходимой роботам

С помощью Gemini 4 Argon Google предлагает единую модель для всего робототехнического процесса. Она управляет роботами, создает виртуальные тренировочные миры и оценивает обучающие видео. Однако примеры подсказок показывают, насколько сильно модели по-прежнему требуется руководство человека.

Робот Spot от Boston Dynamics должен бросать банки из-под газировки в мусорное ведро с педалью. Прежде чем он коснется настоящей педали, Gemini 4 Argon создает виртуальную копию ведра, и робот отрабатывает балансировку на трех ногах внутри этой симуляции. Только после этого он пытается выполнить задачу на реальном оборудовании. Перед тем как выбросить банку, два дополнительных агента ИИ проверяют, правильно ли расположены лапа и захват.

Именно так Google демонстрирует возможности своей новейшей модели для робототехнических задач. Argon разработана для лучшего понимания пространственных взаимосвязей, написания кода управления и интерпретации видео с точки зрения физики. Google рассматривает модель как универсальный инструмент, охватывающий все — от управления отдельными роботами до воспроизведения опубликованных исследований, — и называет ее еще одним шагом к «физическому AGI», цели, к которой сама компания и ее подразделение по ИИ DeepMind стремятся уже много лет.

Одна фотография превращается в тысячи тренировочных запусков

Демонстрация с Spot следует схеме, которая встречается во многих примерах Google: Argon использует симуляции для подготовки задач, их проверки или генерации данных для обучения. На основе одной фотографии стола с праздничными предметами модель построила виртуальную копию, включая мягкую плюшевую кепку. Она придумала 77 задач — от выпрямления опрокинутых предметов до уборки стола — и сгенерировала более 4500 эпизодов обучения для модели управления. При испытании на реальном роботе показатель успешности вырос с 56 до 75 процентов, а время выполнения сократилось с 35 до 24 секунд.

Argon может работать и с другими источниками. На основе записи телеуправляемого робота она строит симуляцию, которая выглядит так же и воспроизводит те же показания силы на кончиках пальцев. На основе видео от первого лица, где человек выполняет задачу по захвату, модель переносит движения кисти и пальцев на виртуального гуманоидного робота с пятipальцевыми руками.

Подходит даже эскиз, выполненный шариковой ручкой. На одном рисунке гуманоидный робот сбивает мячом пирамиду из коробок, и Argon превращает его в симуляцию, рассчитывающую бросковое движение, чтобы опрокинуть все шесть коробок и не дать роботу упасть.

Argon поручает видеомодели ИИ планировать действия робота

Одна из демонстраций полностью проходит внутри видео, созданного ИИ. Gemini Omni — это видеомодель мира, которая генерирует клипы, показывающие, как меняется сцена при определенном событии, а Argon выступает в роли режиссера. Она пишет инструкции с отметками времени, описывая, что должны делать руки, например передвинуть фишку Scrabble в центр стола. Gemini Omni создает видео по этим инструкциям, а затем Argon проверяет отдельные кадры и корректирует следующую команду. Цель — расставить пять разбросанных буквенных фишек так, чтобы получилось слово «ARGON», и после 33 шагов они оказываются в правильном порядке.

В отдельной демонстрации с простой роботизированной рукой Argon должна была положить деталь Lego в деревянную коробку и со временем улучшить собственные результаты. Когда попытки заканчивались неудачей, в подсказке Argon предлагалось изучить собственные журналы и изображения с камер, найти причину и повторить попытку после применения проверенного исправления. Первый запуск занял чуть меньше минуты, а второй был значительно быстрее — 23 секунды, хотя деталь задела край коробки. В третьей попытке она оказалась точно в центре примерно через 17 секунд.

Google также хочет использовать Argon для исследований. Получив по одной подсказке на каждую статью, она воссоздает опубликованные робототехнические эксперименты в виде интерактивных симуляций, работающих в браузере. По словам Google, на данный момент создано 68 таких песочниц, включая футбол роботов и гуманоидного робота на скейтборде.

Бенчмарк ERQA (Embodied Reasoning Question Answering) проверяет, насколько хорошо модели ИИ понимают и решают физические и пространственные задачи в трехмерных средах. Тест включал 400 вопросов без вспомогательных инструментов, поэтому модели должны были решать все задачи только рассуждением. По данным Google, Argon набрала 87 процентов, опередив все остальные передовые модели. Ближайший конкурент, Claude Opus 5.5, набрал 82,3 процента — примерно на пять процентных пунктов меньше. GPT-6 Astra последовала с результатом 81 процент, а Claude Fable 5.1 отстала с 74 процентами, уступив 13 пунктов.

Бенчмарк AA-Robotics от Artificial Analysis, опубликованный днем позже, показывает другую картину. В этом тесте языковые модели напрямую управляют настоящей роботизированной рукой, выполняя восемь задач, и Argon заняла третье место с результатом 55 из 100 баллов, уступив GPT-6 Astra с 69 баллами и GPT-6.1 Sol с 65.

Argon также оценивает качество данных для обучения

Помимо управления роботами и создания симуляций, Argon должна оценивать данные для обучения. В видео продолжительностью чуть более двух минут, где робот с двумя руками складывает оригами-лису, модель разбивает последовательность на подзадачи и отмечает паузы и неудачные захваты. Затем этим сегментам присваивается меньший вес во время обучения. В другом видео, где человек сортирует кольца, Argon отслеживает, где выполнение задачи продвигается вперед, останавливается или откатывается назад.

Google также показала более игровой сценарий, основанный на классической задаче о взвешивании. Среди двенадцати внешне одинаковых шаров один тяжелее или легче остальных. Argon построила симуляцию с двумя роботизированными руками и чашечными весами, считывая наклон весов только по изображениям с камеры. Она находит необычный шар за три взвешивания или меньше.

Настоящая система поддержки скрыта в подсказках

Google опубликовала подробные примеры подсказок для демонстраций, и они позволяют иначе взглянуть на некоторые масштабные заявления. Для выпрямления опрокинутой чашки, описанного как «zero-shot», Argon получает изображение с камеры с наложенной сантиметровой сеткой и заранее подготовленные команды вроде «захватить» или «опускать до контакта». Для симуляций предусмотрены длинные списки запретов, не позволяющие модели использовать обходные пути, например просто копировать измеренные значения датчиков. В записи блога Google не приводит показатели неудач для отдельных демонстраций, а в отношении 75-процентного показателя успешности не уточняется, на скольких попытках он основан.

Argon уже доступна в Google AI Studio и среде разработки Antigravity, но только для подписчиков Google AI Ultra. Разработчики также могут получить доступ к модели через платный уровень Gemini API.

Google выпустила Gemini 4 Argon по всему миру всего за несколько дней до этого. Для робототехники компания ранее представила Gemini Robotics-ER 1.6 — модель для пространственного восприятия и планирования задач. Обучение в виртуальных средах тоже не ново: стартап World Labs показал, как реальные сцены можно превращать в виртуальные тренировочные миры, а DreamDojo от Nvidia симулирует действия роботов в виде видео. Подход Google отличает стремление выполнять симуляцию, управление и оценку с помощью одной и той же модели.

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, эксклюзивный полугодовой отчет о передовых разработках «AI Radar», полный доступ к архиву и разделу комментариев.