Google opublikowało 13 października osobny materiał o zastosowaniu Gemini 4 Argon w robotyce. Model uzyskał 87% w benchmarku ERQA, sprawdzającym rozumowanie przestrzenne i fizyczne. W jednym z eksperymentów podniósł skuteczność fizycznego robota z 56% do 75%, korzystając z danych wygenerowanych w symulacji, którą sam zbudował.
Najważniejsze w skrócie
- ERQA: 87% czystym rozumowaniem — żaden inny model frontier nie ma wyższego wyniku, według Google
- Robot dwuramienny: skuteczność z 56% do 75%, czas zadania z 35 s do 24 s
- Dane treningowe: ponad 4500 epizodów z symulacji zbudowanej z jednego zdjęcia RGB blatu
- Ramię SO-101: trzy iteracje samodoskonalenia, 58,9 s → 22,9 s → 17,4 s
- Antigravity i AI Studio tylko dla planu AI Ultra, API 2 USD (ok. 7 zł) za milion tokenów wejścia do 30 listopada
Jeden model, cztery warstwy stosu
Argon nie jest modelem VLA sterującym bezpośrednio stawami. Google pozycjonuje go jako ogólny model rozumowania fizycznego dla czterech obszarów: sterowania robotem, rekonstrukcji symulacji z nagrań, opisu danych oraz samodoskonalenia.
W demonstracji sterowania czworonóg Spot od Boston Dynamics — 12 stopni swobody w nogach plus ramię o sześciu stopniach swobody — uczy się naciskać pedał kosza na śmieci. Zanim zrobi to na prawdziwym sprzęcie, Argon buduje w MuJoCo przegubowy model kosza i ćwiczy w nim balans na trzech nogach.
Materiał Google DeepMind: Argon steruje humanoidem w grze w cornhole. To nie jest eksperyment z robotem FR3 opisany niżej, ale ta sama warstwa sterowania robotem.
Symulacja jako fabryka danych
Najmocniejszy liczbowo wynik dotyczy generowania danych. Z jednego zdjęcia blatu z dziewięcioma rekwizytami Argon odtworzył siatki 3D i bryły kolizyjne?bryły kolizyjne: Uproszczone kształty, na których silnik fizyki liczy zderzenia. Są prostsze niż siatka graficzna, bo liczą się setki razy na sekundę., zdefiniował curriculum 77 zadań jedno- i dwuramiennych, a następnie zebrał ponad 4500 epizodów z randomizacją pozycji ±10 cm.
Faktem są wejście, liczby zadań i epizodów oraz wynik końcowy. Uproszczeniem jest liniowy układ — w materiale Google rekonstrukcja i weryfikacja działają w pętli iteracyjnej. Diagram nie pokazuje, jaki model VLA był dostrajany ani ile iteracji wymagała kalibracja.
Dostrojony na tych danych model VLA przeniósł wynik na dwuramiennego robota Franka FR3: skuteczność z 56% do 75%, czas zadania z 35 do 24 sekund. Osobna ścieżka real2sim?real2sim: Odtworzenie prawdziwej scenerii i ruchu w symulatorze, żeby dalsze dane zbierać już wirtualnie. przenosi trajektorię ludzkiej dłoni z nagrania egocentrycznego na humanoida.
Humanoid w ścieżce real2sim ma znacznie więcej osi niż ramię laboratoryjne:
Opis danych i samodoskonalenie
Na sześcioosiowym ramieniu SO-101 Argon skracał czas pick-and-place przez analizę własnych logów i nagrań — z 58,9 s w pierwszej iteracji do 17,4 s w trzeciej, czyli … szybciej po dwóch poprawkach.
W roli adnotatora podzielił 136-sekundowe nagranie robota ALOHA 2 składającego origami na 6 podzadań semantycznych i 17 prymitywów kontaktowych, a nieudanym próbom nadał wagę 0,15–0,25 na potrzeby behavior cloningu.
| Platforma | Metryka | Przed | Po |
|---|---|---|---|
| Franka FR3 (dwuramienny) | skuteczność zadania | 56% | 75% |
| Franka FR3 (dwuramienny) | czas zadania | 35 s | 24 s |
| SO-101 (6 osi) | czas pick-and-place | 58,9 s | 17,4 s |
Dlaczego to ważne?
Dane z fizycznego sprzętu były dotąd kosztowne, wolne i trudne do skalowania, więc o tempie robotyki decydowały laboratoria z największą flotą robotów. Jeśli model potrafi sam zbudować scenę i wyprodukować epizody, przewagę daje jakość rozumowania, nie liczba ramion w hali. Zastrzeżenie jest jedno, ale poważne: przyrost 19 punktów procentowych to pojedynczy pomiar Google — a w fizycznej sztucznej inteligencji nie ma do niego ani publikacji, ani niezależnej replikacji.
Co dalej?
- Cena API rośnie 30 listopada z 2 do 4 USD za milion tokenów wejścia i z 10 do 20 USD za wyjście
- Google nie ujawniło, czy Argon trafi do Antigravity dla planów niższych niż AI Ultra
- Żaden z wyników robotycznych nie ma publikacji ani niezależnej replikacji — jedynym źródłem pozostaje materiał Google
Źródła
- Google Developers Blog — Gemini 4 Argon for Robotics
- Ars Technica — Gemini 4 Argon begins rolling out in Gemini app and Antigravity, but only if you pay
