Gemini 4 Argon ma sterować robotami i tworzyć dla nich symulacje. Pokazy kryją jednak sporo przygotowań

Google przedstawia Gemini 4 Argon jako model łączący trzy etapy pracy z robotami, które dotąd wymagały osobnych narzędzi: bezpośrednie sterowanie maszyną, automatyczne budowanie wirtualnych środowisk treningowych oraz ocenę jakości nagrań szkoleniowych. Zamiast uczyć robota wyłącznie na fizycznym sprzęcie, system ma najpierw przygotować symulację na podstawie zdjęć, wideo lub szkiców, przeprowadzić w niej wirtualny trening i dopiero wtedy przenieść wyuczone zachowanie do rzeczywistości.

W jednej z głównych demonstracji Argon otrzymał pojedyncze zdjęcie stołu zastawionego imprezowymi rekwizytami. Na jego podstawie odtworzył wirtualną kopię sceny z uwzględnieniem fizyki przedmiotów, w tym miękkiej pluszowej czapki, a następnie wygenerował 77 zadań manipulacyjnych i ponad 4500 epizodów treningowych. Według deklaracji Google po takim wirtualnym przeszkoleniu skuteczność fizycznego robota wzrosła z 56 do 75 proc., a średni czas wykonania zadania spadł z 35 do 24 sekund. Firma nie ujawniła jednak, ile rzeczywistych prób przeprowadzono ani jak często kończyły się one niepowodzeniem.

Ile przygotowań wymaga demonstracja

Prezentacje Google pokazują szeroki wachlarz danych wejściowych, z których model potrafi stworzyć symulację. Argon potrafi przekształcić nagranie wideo z perspektywy człowieka w ruchy wirtualnego humanoida z pięciopalczastą dłonią albo wygenerować trójwymiarową scenę ze szkicu narysowanego długopisem. W innym teście proste ramię robota uczyło się umieszczać klocek w drewnianym pudełku, analizując własne błędy i korygując ruch w kolejnych podejściach.

Za efektownymi próbami stoi jednak precyzyjne przygotowanie warunków testowych. W przykładzie określonym przez Google jako działanie „zero-shot”, w którym model podnosi przewrócony kubek, Argon nie analizował surowego obrazu z otoczenia. Dostał kadr z nałożoną siatką centymetrową oraz zestaw gotowych komend wykonawczych, takich jak polecenie obniżania chwytaka do momentu zarejestrowania kontaktu z powierzchnią.

Dwa różne benchmarki

Argon ma również analizować materiały szkoleniowe i odsiewać błędy. W nagraniu robota składającego origami model dzieli proces na etapy i oznacza nieudane chwyty oraz przestoje, co pozwala obniżyć wagę wadliwych prób podczas trenowania algorytmów sterujących.

Ocena ogólnej sprawności modelu zależy jednak od tego, co dokładnie podlega pomiarowi. W benchmarku ERQA, który sprawdza rozumowanie przestrzenne i fizyczne w środowiskach 3D na zestawie 400 pytań teoretycznych, Argon zajął pierwsze miejsce z wynikiem 87 proc., wyprzedzając m.in. Claude Opus 5.5 (82,3 proc.) i GPT-6 Astra (81 proc.). Inaczej wypadł jednak test AA-Robotics firmy Artificial Analysis, w którym modele sterowały fizycznym ramieniem robota w ośmiu zadaniach w świecie rzeczywistym. W tym zestawieniu Argon uzyskał 55 punktów na 100 i zajął trzecie miejsce, za modelami GPT-6 Astra (69 punktów) oraz GPT-6.1 Sol (65 punktów).

Model został udostępniony w Google AI Studio, środowisku Antigravity oraz przez API dla subskrybentów Google AI Ultra. Pokazane przez Google demonstracje ilustrują próbę stworzenia jednego zintegrowanego środowiska dla robotyki, jednak ich powodzenie wciąż zależy od starannie przygotowanych instrukcji i danych pomocniczych.