Представленная в сентябре флагманская модель ИИ Google Gemini 4 Argon оказалась предназначена не только для людей, но и для роботов. Компания заявила, что Gemini 4 Argon — это качественный скачок в робототехнике, способный ускорить прогресс на пути к физическому или воплощённому искусственному интеллекту общего назначения. С ней роботы смогут думать, учиться и адаптироваться к задачам без значительных затрат на обучение.
Источник изображений: Google
Своё заявление компания подтвердила результатами тестов в пакете Embodied Reasoning (ERQA), который проверяет способность модели понимать и решать физические и пространственные задачи в трёхмерных средах. При использовании чистого логического вывода Argon набирает 87 %, опережая все остальные передовые модели.
Важно отметить, что компания пока никак не связала адаптацию Gemini 4 Argon или её компонентов к сфере ИИ-платформ для физического воплощения. Напомним, Google отдельно развивает две модели искусственного интеллекта для робототехники — Gemini Robotics 1.5 и Gemini Robotics-ER 1.5, которые совместно реализуют подход, при котором робот сначала «обдумывает» задачу и только потом выполняет действие.
Модель Gemini 4 Argon делает нечто подобное, но она более универсальна, если так можно выразиться, и включает в себя понимание физических явлений и процессов, генерацию кода и визуально-семантические рассуждения.
По мнению разработчиков Google, Argon как универсальная модель физического мышления, или воплощённого рассуждения (embodied reasoning), может применяться на всех этапах жизненного цикла робототехнических систем. В своём блоге представители компании привели наглядные примеры использования Argon в виде промптов для роботов в четырёх ключевых областях робототехники: симуляции действий и их воплощении в реальности, обучении на примерах, понимании обстановки и оттачивании навыков.
Первым примером стало управление роботом-собакой Spot от Boston Dynamics в пакете MuJoCo без предварительного обучения. Argon смог управлять четвероногим роботом, обучая его новому навыку: нажимать на педаль мусорного ведра, чтобы выбрасывать в него поднятые с пола банки из-под газировки. Чтобы отработать это движение, 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, а также помогая 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. При этом манипулятор выполняет все действия без предварительного обучения (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 данном примере робот сбивает мячом пирамидку из кубиков — в полноценную 3D-анимацию с реалистичной физикой.
Подводя итог, можно сказать, что, по мнению Google, Gemini 4 Argon представляет собой важный этап на пути к созданию общего искусственного интеллекта, способного действовать в физическом мире. Новая ИИ-модель объединяет программирование, визуальное восприятие, физическое моделирование и управление реальными роботами. Развивая эту модель, компания стремится создавать робототехнические решения, которые смогут работать совместно с людьми и помогать им решать сложные задачи.