Google'ın Gemini 4 Argon'u Robotiğin Tüm Yığınında Fiziksel AGI'yi Hedefliyor

Google, fiziksel AGI'ye ilerlemeyi hızlandırmayı hedefleyen genel amaçlı fiziksel muhakeme modeli Gemini 4 Argon'u tanıttı. Şirkete göre, Argon ERQA (Embodied Reasoning) benchmark'unda %87'ye ulaşıyor; bu benchmark, modelin 3D ortamda saf muhakeme ile fiziksel ve uzamsal problemleri anlama ve çözme yeteneğini test ediyor. Google Developers Blog'a göre, Argon bu benchmark'ta diğer tüm lider modelleri geride bırakıyor.

Robot Kontrolü ve Zero-Shot Yetenekleri

Model, robotiğin tüm yaşam döngüsünde kullanılabilir. Robot kontrolü sırasında Argon, Boston Dynamics Spot dört bacaklı robotla mobil manipülasyon sergiliyor, ayak pedallı çöp tenekesi MuJoCo dijital kopyasını kullanıyor, böylece antrenmandan sonra gerçek pedal üzerinde çalışabiliyor. Sistem ayrıca robot kolunun zero-shot kontrolüne sahip, düşen kadehi çevirip içine bez koyabiliyor, görsel koordinat kılavuzu ve eylem primitiflerini kullanarak çok tur boyunca. Bunun yanı sıra, Argon robotları Gemini Omni World Model içinde yönetebiliyor, dağılmış Scrabble harflerini sırayla A-R-G-O-N oluşturacak şekilde diziyor; zaman damgalı eylem istemleri yazıyor ve kapalı görsel döngüde rollout ara keyframe'lerini kontrol ediyor.

Real2Sim ve Fiziksel Anlama

Argon, çeşitli giriş verilerinden fiziksel olarak kalibre edilmiş simülasyon kopyaları oluşturur. Robot kamerası video akışından, rastgele gerçek dünya görünüşü ve dokunsal olaylara sahip dijital kopyalar yaratır. Egosentrik insan videosundan, görev için önemli nesneleri tanır ve insan eli trajektörilerini 76-DoF bimanüel humanoid üzerinde 22-DoF beş parmaklı ellerle yeniden hedefler. Elle, kalemle kâğıda çizilmiş eskizden model, GPU hızlandırmalı mujoco_warp sahnesi oluşturur ve Apollo 2 humanoid için tüm vücut fırlatma trajektörüsini sentezler.

Fiziksel anlama için Argon, ajan çok modlu hindsight etiketleme gerçekleştirir. Yukarıdan çekilmiş videoda, bimanüel ALOHA 2 robotunun 136 saniye boyunca kâğıdı orijinal kutusuna katladığı görüntüye göre, dört düzeyli açıklama hiyerarşisi oluşturur; bunlar arasında bölüm hedefleri, anlamsal alt görevler, atomik primitifler ve kalite kontrolü yeniden ağırlıklandırması yer alır. Model ayrıca genel değer fonksiyonu olarak hareket eder, görev ilerlemesi için keskin tahminler üretir ve trajektörileri olumlu, nötr ve olumsuz ilerleme eğilimlerine göre segmentlere ayırır.

Kendini Geliştirme ve Simülasyon

Argon, genel görüş-görüş-eylem modellerini geliştirmek için simülasyonda yeni veri üretebilir. Gerçek masa yüzeyinin tek RGB fotoğrafından kalibre edilmiş MuJoCo simülasyon kopyası oluşturur, yeni görevler tanımlar ve kapalı döngü hareket üreteci sentezler. Bu süreç, 4.500'den fazla alan ile rastgeleleştirilmiş bölüm toplamış, gerçek dünyada robot başarı oranını %56'dan %75'e yükseltmiş ve tamamlama süresini 35 saniyeden 24 saniyeye düşürmüştür.

Model ayrıca donanımda tekrarlayan kendini geliştirme sergiler. Basit 6-DoF kol üzerinde Argon, öz yansıma ve optimizasyon yoluyla pick-and-place görevinde tamamlama hızını ve yerleştirme hassasiyetini geliştirmeye çalışıyor. Üç iterasyon boyunca tamamlama süresi 58,9 saniyeden 17,4 saniyeye düşmüş, son iterasyon ise tam olarak merkeze bıraya ulaşmıştır.

Kaynaklar: developers.googleblog.com