Google-ի Gemini 4 Argon-ը ուղղված է ֆիզիկական AGI-ին ողջ ռոբոտական ստեկում

Google-ն ներկայացրել է Gemini 4 Argon, ֆիզիկական մտածողության ընդհանուր նախատեսման մոդել, որը նախատեսված է ֆիզիկական AGI-ում առաջընթացը արագացնել: Ըստ ընկերության, Argon-ը ERQA (Embodied Reasoning) չափանիշի վրա հավաքում է 87%, ինչը ստուգում է մոդելի ունակությունը մաքուր մտածողությամբ հասկանալ և լուծել ֆիզիկական, տարածական խնդիրներ 3D միջավայրում: Google Developers Blog-ի տեղեկությամբ, Argon-ը այս չափանիշի վրայով գերազանցում է բոլոր այլ առաջատար մոդելներին:

Ռոբոտի կառավարում և Zero-shot հնարավություններ

Մոդելը օգտագործվում է ռոբոտականության ամբողջ կյանքի հանգույցի վրա: Ռոբոտի կառավարման մեջ Argon-ը ցույց է տալիս մոբիլ մանիպուլյացիա Boston Dynamics Spot-ի չորսոտանի ռոբոտով, մարզվում է MuJoCo-ի թվային երկրկնքի հաշվով զամբյուղի հենակի պեդալի համար, մինչև իրական պեդալի վրա աշխատում է: Համակարգը նաև իրականացնում է ռոբոտի բվենքի zero-shot կառավարում՝ շրջելով ընկած ժամացույցը և դնելով դրա մեջ ձեռնաշարը, առանց ցուցադրված վիզուալ կոորդինատների և գործողության պրիմիտիվների մի շարք քայլերի ընթացքում: Բացի այդ, Argon-ին հնարավություն է տալիս ղեկավարել ռոբոտներին Gemini Omni World Model-ում, որպեսզի դասավորի թափված Scrabble-ի թերթիկները հաջորդականությամբ A-R-G-O-N տեսքով, ժամանակի նշաններով գործողության հուշումներ գրելով և միջանդաի rollout կադրերը ստուգելով փակ վիզուալ ցիկլում:

Real2Sim և ֆիզիկական ընկալում

Argon-ը տարբեր մուտքերից վերականգնում է ֆիզիկական կալիբրոված սիմուլյացիոն երկրկնքներ: Ռոբոտի տեսախցիկի հոսքերից ստեղծում է թվային երկրկնքներ, որոնք համապատասխանում են իրական աշխարհի վիզուալին և կոնտակտային իրադարձություններին: Էգոցենտրիկ մարդու տեսանյութից ճանաչում է խնդրի համար կարևոր օբյեկտներ և փոխանցում է մարդո ձեռքի տրաեկտորիաները 76-DoF երկձեռք հումանոիդի 22-DoF հինթամատ ձեռքերով: Ձեռնամատ և թուղթով ստեղծված էսքզից մոդելը ստեղծում է GPU-արագացված mujoco_warp տեսարան և սինթեզում է Apollo 2 հումանոիդի համար ամբողջ մարմնի հարվածի տրաեկտորիա:

Ֆիզիկական ընկալման համար Argon-ը իրականացնում է ագենտային մուլտիմոդալ hindsight պիտակավորում: Երկձեռք ALOHA 2 ռոբոտից վերևից նկարահանված տեսանյութի հիման վրա, որում 136 վայրկյանում թուղթը փոխադարձվում է նոր թաթայով, այն ստեղծում է քառաստիճանական անոտացիայի իերարխիա, այդ թվում՝ էպիզոդի նպատակները, սեմանտիկ ենթախնդիրները, ատոմային պրիմիտիվները և որակի վերահսկման նոր կշռադրությունը: Մոդելը նաև աշխատում է որպես ընդհանուր value ֆունկցիա, արտադրում է խնդրի առաջընթացի խիստ կանխատեսումներ և բաժանում է տրաեկտորիաները հատվածների դրական, նեյտրալ և բացասական առաջընթացի թեքությամբ:

Ինքնաբարեցում և սիմուլյացիա

Argon-ին հնարավություն է տալիս սիմուլյացիայում ստեղծել նոր տվյալներ՝ բարելավելու ընդհանուր տեսողություն-գիտություն-գործողություն մոդելները: Սեղանի իրական մեկ RGB լուսանկարից այն ստեղծում է կալիբրոված MuJoCo սիմուլյացիոն երկրկին, սահմանում է նոր խնդիրներ և սինթեզում է փակ ցիկլի շարժման գեներատոր: Այս գործընթացը հավաքել է 4500-ից ավելի տիպով պատահականացված էպիզոդ, ինչը իրական աշխարհում ռոբոտի հաջողության ցուցանիշը բարձրացրել է 56%-ից մինչև 75% և կրճատել կատարման ժամանակը 35 վայրկյանից մինչև 24 վայրկյան:

Մոդելը նաև ցույց է տալիս իտերատիվ ինքնաբարեցում տեխնիկայի վրա: Պարզ 6-DoF բվենքի վրա Argon-ը բարելավել է դասակարգման խնդրի կատարման արագությունը և տեղադրման ճշգրտությունը փորձերի, ինքնարտացումների և օպտիմիզացիայի միջոցով: Երեք իտերացիայի ընթացքում կատարման ժամանակը նվազել է 58,9 վայրկյանից մինչև 17,4 վայրկյան, իսկ վերջին իտերացիան հասել է ճշգրիտ կենտրոնական իջեցման:

Աղբյուրները: developers.googleblog.com