גוגל מציגה את Gemini 4 Argon, מאיץ AGI פיזי בכל שכבת הרובוטיקה

גוגל הציגה את Gemini 4 Argon, מודל שיחה פיזי כללי שמטרתו להאיץ את ההתקדמות לעבר AGI פיזי. לפי החברה, Argon Embodied Reasoning (ERQA) משיג 87% בבנצ'מרק; בנצ'מרק זה בודק את יכולת המודל להבין ולהתגבר על משימות פיזיות ומרחביות בסביבת 3D באמצעות שיחה טבעית. לפי בלוג המפתחים של גוגל, Argon עולה על כל מודל מוביל אחר בבנצ'מרק זה.

שליטה ברובוט ויכולות zero‑shot

המודל משמש בכל שלב של מחזור החיים של הרובוטיקה. בעת שליטה ברובוט, Argon מדגים מניפולציה ניידת באמצעות הרובוט ארבע‑רגליים Spot של Boston Dynamics: הוא משתמש בטווין הדיגיטלי של MuJoCo עם דוושת רגל לתרגול הליכה לפני עבודה על דוושה פיזית. למערכת יש גם שליטה zero‑shot בזרוע רובוטית, כדי להפוך חפץ שנפל כך שהידית תיכנס פנימה; לשם כך היא נעזרת בעוגן קואורדינטות ויזואלי ובפרימיטיבי פעולה לאורך מספר מחזורים. בנוסף, Argon יכול להפעיל רובוטים במודל Gemini Omni World Model, כדי לסדר אריחי Scrabble מפוזרים כך שיווצר הרצף A‑R‑G‑O‑N; הוא כותב הנחיות פעולה עם חותמות זמן ובודק פריימים ביניים של rollout בלולאה ויזואלית סגורה.

Real2Sim והבנה פיזית

Argon מבצע שחזור של טווינים סימולטיביים מכוילים פיזית ממקורות שונים. מהזנת מצלמת הרובוט הוא יוצר טווינים דיגיטליים התואמים את הוויזואליה ואת אירועי המגע של העולם האמיתי. מווידאו אגוצנטרי של אדם הוא מזהה אובייקטים רלוונטיים למשימה ומעביר את מסלולי הידיים האנושיות לרובוט בימנואלי של 76‑DoF עם ידיים חמש‑אצבעות של 22‑DoF. מתוך סקיצה ידנית בעפרון ועל נייר המודל בונה סצנה של mujoco_warp המואצת ב‑GPU ויוצר באופן סינטטי את מסלול ההליכה של כל הגוף עבור הרובוט Apollo 2.

לצורך הבנה פיזית, Argon מבצע תיוג אחורי (hindsight) מרובה‑מודאליות על ידי סוכן. כשהוא מקבל וידאו ממעל של הרובוט הדו‑זרועי ALOHA 2, שבו הוא מקפל נייר לאוריגמי במשך 136 שניות, המודל יוצר היררכיית תיוג בת ארבע רמות, הכוללת יעדי פרק, משימות‑משנה סמנטיות, פרימיטיבים אטומיים והערכת איכות עדכנית. המודל פועל גם כפונקציית ערך כללית: הוא מייצר תחזיות צפופות של התקדמות המשימה ומחלק מסלולים לקטעים עם סימון התקדמות חיובי, נייטרלי ושלילי.

שיפור עצמי וסימולציה

Argon מסוגל לייצר נתונים חדשים בסימולציה כדי לשפר מודלי vision‑language‑action כלליים. מתמונת RGB אחת של משטח שולחן אמיתי הוא בונה טווין סימולטיבי מכויל של MuJoCo, מגדיר משימות חדשות ויוצר מחולל תנועה בלולאה סגורה. תהליך זה אסף יותר מ‑4,500 פרקים עם רנדומיזציה בתחום, והעלה את שיעור ההצלחה של הרובוט בעולם האמיתי מ‑56% ל‑75%, תוך קיצור זמן הביצוע מ‑35 שניות ל‑24 שניות.

המודל גם מדגים שיפור עצמי חוזר על החומרה. על זרוע פשוטה של 6‑DoF, Argon שיפר את מהירות הביצוע ואת דיוק המיקום במשימת pick‑and‑place באמצעות ניסוי, רפלקציה עצמית ואופטימיזציה. לאורך שלוש איטרציות זמן הביצוע ירד מ‑58.9 שניות ל‑17.4 שניות, והאיטרציה האחרונה השיגה מיקום מדויק במרכז.

מקורות: developers.googleblog.com