Google希望Gemini 4 Argon成为机器人所需的唯一AI模型

Google希望Gemini 4 Argon成为机器人所需的唯一AI模型

要点

• Gemini 4 Argon是Google对单一AI模型的尝试：该模型可控制机器人、生成交互式3D训练环境并评估训练数据。
• 系统从照片或草图等简单输入构建仿真环境，机器人可以在真实部署前在其中练习动作。
• 这些演示仍需要详细的人工提示和引导。Argon可通过Google的付费开发者访问计划获得。

通过Gemini 4 Argon,Google力推一个覆盖完整机器人流程的单一模型。它控制机器人、构建虚拟练习世界并对训练视频打分。但示例提示揭示了该模型仍需要多少人工扶持。

一台Boston Dynamics的Spot机器人要把汽水罐扔进脚踏式垃圾桶。在踩下真实的踏板之前，Gemini 4 Argon会先构建垃圾桶的虚拟副本，机器人就在该仿真中练习三条腿保持平衡。只有在那之后，它才在真实硬件上尝试这一任务。在扔出罐子之前，还有两个额外的AI智能体验证脚和夹爪的位置是否正确。

Google就是这样演示其 最新机器人任务模型的能力的。Argon旨在更好地理解空间关系、编写控制代码，并从物理角度解读视频。Google将该模型视为通用工具，涵盖从控制单个机器人到复现已发表研究的方方面面，并称其为迈向"物理AGI"的又一步——这是Google及其AI子公司DeepMind多年来一直 追求的目标.

一张照片变成数千次训练运行

Spot演示遵循一种模式，这种模式出现在Google的许多示例中：Argon利用仿真来准备任务、验证任务或生成训练数据。从一张摆有派对道具的桌子的照片，该模型构建了一个虚拟复制品，包括一顶柔软的毛绒帽。它想出了77个任务，从扶正倒下的物体到清理桌面，并生成了超过4,500个训练回合供控制模型使用。在真实机器人上测试时，成功率从56%攀升至75%,执行时间从35秒降至24秒。广告

Argon还可以基于其他来源工作。从一段遥操作机器人的录像，它会构建一个外观相同、并在指尖复现相同力读数的仿真。从一段人类执行抓取任务的第一人称视频，该模型将手和手指的动作映射到一个具有五指双手的虚拟人形机器人上。

甚至圆珠笔草图也可以。一幅画显示一个人形机器人用球击倒一摞金字塔状的箱子，Argon将其转化为一个仿真，计算出投掷动作，在不让机器人摔倒的情况下击倒全部六个箱子。

Argon指挥AI视频模型来规划机器人动作

有一个演示完全在AI生成的视频中进行。 Gemini Omni 是一个视频世界模型，可生成展示场景中发生某事时场景如何变化的片段，而Argon则充当导演。它编写带时间戳的指令，描述双手应该做什么，比如把一块拼字游戏牌滑到桌子中央。Gemini Omni根据这些指令生成视频，然后Argon检查个别帧并调整下一条指令。目标是将五块散落的字母牌排列成"ARGON",经过33步之后，它们排成了正确的顺序。

在另一个使用简单机械臂的演示中，Argon 需要将一块乐高积木放进一个木箱，并随着时间推移不断改进自己的表现。当尝试失败时，提示词会要求 Argon 检查自己的日志和摄像头图像，找出原因，并在应用经过验证的修复后重试。第一次尝试用时不到一分钟，第二次快了很多，仅 23 秒，不过积木蹭到了箱子边缘。第三次尝试时，它在大约 17 秒后稳稳落在正中央。Ad

Google 还希望 Argon 能服务于研究。只需每篇论文输入一个提示词，它就能将已发表的机器人学实验重建为可在浏览器中运行的交互式仿真。Google 表示，目前已构建了 68 个这样的沙盒，包括机器人足球和一个踩滑板的人形机器人。

该 ERQA 基准测试 （具身推理问答，Embodied Reasoning Question Answering）测试 AI 模型理解和解决 3D 环境中物理与空间问题的能力。该测试使用 400 道题目且不提供辅助工具，因此模型必须仅凭推理解决所有问题。据 Google 称，Argon 得分 87%，领先所有其他前沿模型。第二名 Claude Opus 5.5 得分为 82.3%，落后约 5 个百分点。GPT-6 Astra 以 81% 随后，Claude Fable 5.1 以 74% 垫底，落后 13 分。

由 Artificial Analysis 在一天后发布的 AA-Robotics 基准则讲述了不同的故事。在该测试中，语言模型直接控制一个真实机械臂完成八项任务，Argon 以满分 100 分中的 55 分位列第三，落后于得 69 分的 GPT-6 Astra 和得 65 分的 GPT-6.1 Sol。

Argon 还能审查训练数据质量

除了控制机器人和构建仿真之外，Argon 还被用于评估训练数据。在一段略长于两分钟、展示双臂机器人折叠折纸狐狸的视频中，该模型将序列拆分为子步骤，并标记出停顿和失败的抓取动作。这些片段随后在训练中被赋予更低的权重。在另一段人类分拣圆环的视频中，Argon 追踪了任务在何处推进、停滞或倒退。

Google 还展示了一个围绕 经典称重谜题构建的更趣味化的用例。十二个外观完全相同的球中，有一个比其他球更重或更轻。Argon 构建了一个包含两个机械臂和一个天平的仿真，仅凭摄像头图像读取天平的倾斜。它在三次或更少的称重中找出那个异常球。

真正的脚手架藏在提示词里

Google 发布了这些演示的详细示例提示词，它们让一些更大的宣传说法变得更能看清本质。对于被描述为 "zero-shot" 的扶正翻倒杯子的任务，Argon 接收到一张叠加了厘米网格的摄像头图像以及诸如 "grasp" 或 "lower until contact" 之类的预置命令。对于仿真任务，则有长长的禁止清单，防止模型走捷径，比如直接复制测得的传感器数值。Google 在博文中没有公布各个演示的失败率，而 75% 的成功率也没有说明它基于多少次总尝试。

Argon 现已在 Google AI Studio 和开发环境 Antigravity中可用，但仅面向 Google AI Ultra 订阅者。开发者还可以通过付费层级的 Gemini API.

访问该模型。Google 在几天前刚全球发布了 Gemini 4 Argon 。在机器人领域，该公司此前已推出 Gemini Robotics-ER 1.6，一个用于空间感知和任务规划的模型。在虚拟环境中进行训练也并非新鲜事：初创公司 World Labs 展示了如何将真实场景转化为虚拟训练世界，而 Nvidia的DreamDojo 则将机器人动作模拟为视频。Google方法的独特之处在于其雄心是用同一个模型处理 仿真、控制和评估 的所有任务。

没有炒作的AI新闻——由人工精心筛选

订阅THE DECODER，享受无广告阅读、每周AI新闻通讯、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区的访问权限。