Google назвала Gemini 4 Argon шагом к роботам с общим ИИ

Google представила Gemini 4 Argon в сентябре как флагманскую модель, но теперь раскрыла её применение в робототехнике. Компания называет её качественным скачком, который ускоряет путь к физическому или воплощённому искусственному интеллекту общего назначения. С её помощью роботы могут думать, учиться и адаптироваться к задачам без значительных затрат на обучение.

Подтверждением стали результаты в пакете Embodied Reasoning (ERQA), проверяющем понимание физических и пространственных задач в трёхмерных средах. При чистом логическом выводе Argon набирает 87 процентов и опережает все остальные передовые модели. При этом Google пока не связала адаптацию Gemini 4 Argon с собственными ИИ-платформами для физического воплощения.

Отдельно компания развивает две модели для робототехники — Gemini Robotics 1.5 и Gemini Robotics-ER 1.5. Они реализуют подход, при котором робот сначала обдумывает задачу, а затем выполняет действие. Gemini 4 Argon делает нечто похожее, но более универсальна: она включает понимание физических явлений и процессов, генерацию кода и визуально-семантические рассуждения.

По мнению разработчиков Google, Argon как универсальная модель физического мышления, или воплощённого рассуждения, может применяться на всех этапах жизненного цикла робототехнических систем. В блоге компании приведены примеры промптов для роботов в четырёх областях: симуляции действий и их воплощении в реальности, обучении на примерах, понимании обстановки и оттачивании навыков. Первый пример — управление роботом-собакой Spot от Boston Dynamics в пакете MuJoCo без предварительного обучения.

Argon смог обучить четвероногого робота новому навыку: нажимать на педаль мусорного ведра, чтобы выбрасывать поднятые с пола банки из-под газировки. Для отработки движения ИИ создаёт в MuJoCo цифровой двойник мусорного ведра с педалью и только затем позволяет роботу воспроизвести последовательность действий в реальности. В процессе ИИ корректирует действия робота, отслеживая положение манипулятора, банки и открытого ведра.

Он также помогает роботу удерживать равновесие на трёх конечностях, пока четвёртая нажимает на педаль. В другом эксперименте Argon управляет роботизированной рукой, чтобы поставить опрокинутую кружку вертикально и положить внутрь смятую салфетку. Система использует пространственные координаты и команды перемещения и захвата, а после каждого этапа повторно анализирует изображение, корректируя действия с учётом положения предметов.

Манипулятор выполняет все действия без предварительного обучения, то есть в режиме zero-shot control. Ещё одна технология — Real2Sim, преобразующая реальные сцены в физические симуляции. Argon анализирует видеозаписи, восстанавливает геометрию объектов и задаёт их физические свойства: массу, движение по инерции, трение и поведение при столкновениях.

Затем виртуальная сцена проверяется на соответствие реальным изображениям с камер, а расчётные взаимодействия объектов сопоставляются с реальными. Этот же процесс позволяет превратить грубый рисунок от руки — в примере робот сбивает мячом пирамидку из кубиков — в полноценную 3D-анимацию с реалистичной физикой. По мнению Google, Gemini 4 Argon представляет собой важный этап на пути к созданию общего искусственного интеллекта, способного действовать в физическом мире.

Новая модель объединяет программирование, визуальное восприятие, физическое моделирование и управление реальными роботами. Развивая её, компания стремится создавать робототехнические решения, которые смогут работать совместно с людьми и помогать им решать сложные задачи.