Google хоче, щоб Gemini 4 Argon була єдиною моделлю ШІ, яка потрібна роботам

За допомогою Gemini 4 Argon Google просуває єдину модель для всього циклу робототехніки. Вона керує роботами, будує віртуальні тренувальні світи та оцінює навчальні відео. Але приклади підказок показують, наскільки багато людського супроводу модель усе ще потребує.

Робот Spot від Boston Dynamics має кидати банки з-під газованих напоїв у смітник із педаллю. Перш ніж натиснути на справжню педаль, Gemini 4 Argon будує її віртуальну копію, а робот тренується балансувати на трьох ногах усередині цієї симуляції. Лише після цього він намагається виконати завдання на реальному обладнанні. Перед тим як кинути банку, два додаткові агенти ШІ перевіряють, чи правильно розташовані нога та захват.

Саме так Google демонструє можливості своєї новітньої моделі для робототехнічних завдань. Argon розроблено для кращого розуміння просторових взаємозв’язків, написання коду керування та інтерпретації відео з погляду фізики. Google розглядає модель як універсальний інструмент, що охоплює все: від керування окремими роботами до відтворення опублікованих досліджень. Компанія називає її ще одним кроком до «фізичного AGI» — мети, яку вона та її дочірня компанія у сфері ШІ DeepMind переслідують уже багато років.

Одна фотографія перетворюється на тисячі навчальних запусків

Демонстрація зі Spot дотримується схеми, яка повторюється в багатьох прикладах Google: Argon використовує симуляції для підготовки завдань, їх перевірки або генерування навчальних даних. За однією фотографією столу з предметами для вечірки модель побудувала віртуальну копію, зокрема м’яку плюшеву шапку. Вона вигадала 77 завдань — від встановлення перекинутих предметів у правильне положення до прибирання столу — і згенерувала понад 4500 епізодів навчання для моделі керування. Під час випробування на реальному роботі показник успішності зріс із 56 до 75 відсотків, а час виконання скоротився з 35 до 24 секунд.

Argon може працювати й з іншими джерелами. За записом роботи телеоператора він будує симуляцію, яка має виглядати так само й відтворювати такі самі показники сили на кінчиках пальців. За відео від першої особи, на якому людина виконує завдання із захоплення предмета, модель переносить рухи кисті та пальців на віртуального гуманоїда з п’ятипалими руками.

Працює навіть ескіз, намальований кульковою ручкою. На одному малюнку гуманоїдний робот збиває м’ячем піраміду з коробок, а Argon перетворює його на симуляцію, яка розраховує рух кидка так, щоб перекинути всі шість коробок і не дати роботу впасти.

Argon керує відеомоделлю ШІ для планування дій робота

Одна з демонстрацій повністю відбувається всередині відео, згенерованого ШІ. Gemini Omni — це відеомодель світу, яка генерує кліпи, що показують, як змінюється сцена, коли в ній щось відбувається, а Argon виступає режисером. Він пише інструкції з часовими позначками, описуючи, що мають робити руки, наприклад посунути плитку зі Scrabble до центру столу. Gemini Omni генерує відео за цими інструкціями, а потім Argon перевіряє окремі кадри й коригує наступну команду. Мета — розкласти п’ять розкиданих літерних плиток так, щоб вони склали слово «ARGON». Після 33 кроків вони опиняються в правильному порядку.

В іншій демонстрації з простою роботизованою рукою Argon мав покласти деталь Lego у дерев’яну коробку та з часом покращити власні результати. Коли спроби були невдалими, підказка вказувала Argon переглянути власні журнали й зображення з камер, знайти причину та повторити спробу після застосування перевірленого виправлення. Перший запуск тривав трохи менше хвилини, а другий був набагато швидшим — 23 секунди, хоча деталь зачепила край коробки. Під час третьої спроби вона впала точно в центр приблизно за 17 секунд.

Google також хоче використовувати Argon для досліджень. Отримавши по одній підказці на кожну статтю, він відтворює опубліковані робототехнічні експерименти як інтерактивні симуляції, що запускаються в браузері. За словами Google, наразі створено 68 таких пісочниць, зокрема для роботизованого футболу та гуманоїдного робота на скейтборді.

Бенчмарк ERQA (Embodied Reasoning Question Answering — відповіді на запитання з утіленого міркування) перевіряє, наскільки добре моделі ШІ розуміють і розв’язують фізичні та просторові задачі в 3D-середовищах. Тест містив 400 запитань без допоміжних інструментів, тож моделі мали розв’язати все лише за допомогою міркувань. За даними Google, Argon набирає 87 відсотків, випереджаючи всі інші передові моделі. Модель, що посіла друге місце, Claude Opus 5.5, отримала 82,3 відсотка — приблизно на п’ять відсоткових пунктів менше. GPT-6 Astra набрала 81 відсоток, а Claude Fable 5.1 відстала з результатом 74 відсотки — на 13 пунктів.

Бенчмарк AA-Robotics від Artificial Analysis, опублікований днем пізніше, демонструє іншу картину. У цьому тесті мовні моделі безпосередньо керують реальною роботизованою рукою у восьми завданнях, і Argon посів третє місце з результатом 55 зі 100 балів, поступившись GPT-6 Astra з 69 балами та GPT-6.1 Sol із 65.

Argon також оцінює якість навчальних даних

Окрім керування роботами та побудови симуляцій, Argon має оцінювати навчальні дані. У відео трохи довшому за дві хвилини, де робот із двома руками складає орігамі у формі лисиці, модель розбиває послідовність на підкроки та позначає паузи й невдалі захоплення. Під час навчання таким сегментам надається менша вага. В іншому відео, де людина сортує кільця, Argon відстежує, де виконання завдання просувається вперед, зупиняється або рухається назад.

Google також показала більш ігровий варіант використання на основі класичної задачі зі зважуванням. Серед дванадцяти однакових на вигляд куль одна важча або легша за інші. Argon побудував симуляцію з двома роботизованими руками та терезами, визначаючи нахил терезів лише за зображеннями з камери. Він знаходить нестандартну кулю за три або менше зважувань.

Справжня система підтримки прихована в підказках

Google опублікувала детальні приклади підказок для демонстрацій, і вони допомагають реалістичніше оцінити деякі гучніші заяви. Для встановлення перекинутої чашки у правильне положення, що описується як «zero-shot», Argon отримує зображення з камери з накладеною сантиметровою координатною сіткою та заздалегідь підготовленими командами на кшталт «схопити» або «опускати до контакту». Для симуляцій існують довгі списки заборон, щоб модель не вдавалася до скорочень, наприклад просто не копіювала виміряні значення датчиків. У дописі в блозі Google не наводить показники невдалих спроб для окремих демонстрацій, а щодо 75-відсоткового показника успішності не зазначено, на якій загальній кількості спроб він ґрунтується.

Argon уже доступний у Google AI Studio та середовищі розробки Antigravity, але лише для підписників Google AI Ultra. Розробники також можуть отримати доступ до моделі через платний рівень Gemini API.

Google випустила Gemini 4 Argon у всьому світі лише за кілька днів до цього. Для робототехніки компанія вже представила Gemini Robotics-ER 1.6 — модель для просторового сприйняття та планування завдань. Навчання у віртуальних середовищах також не є новим: стартап World Labs показав, як реальні сцени можна перетворити на віртуальні навчальні світи, тоді як DreamDojo від Nvidia симулює дії роботів у вигляді відео. Підхід Google вирізняється прагненням виконувати симуляцію, керування та оцінювання за допомогою однієї моделі.

Новини ШІ без хайпу — відібрані людьми

Підпишіться на THE DECODER, щоб читати без реклами, отримувати щотижневу розсилку про ШІ, наш ексклюзивний передовий звіт «AI Radar» шість разів на рік, повний доступ до архіву та доступ до розділу коментарів.