Gemini 4 Argon: Прорывная модель для физической робототехники и AGI

Gemini 4 Argon представляет собой монументальный скачок в области воплощенного искусственного интеллекта, выходя за рамки простого языкового процесса для достижения сложного физического понимания, продвинутельной генерации кода и глубокого визуально-семантического рассуждения. Эта модель разработана как универсальный механизм физического рассуждения, направленный на ускорение развития физического Общего Искусственного Интеллекта (AGI) путем устранения разрыва между цифровым рассуждением и реальным физическим действием. Её возможности демонстрируются превосходной производительностью на эталоне Embodied Reasoning (ERQA), где она достигла впечатляющего балла 87% при использовании чистого рассуждения, значительно превзойдя другие ведущие передовые модели. Этот высокий балл подтверждает её способность решать сложные пространственные и физические задачи в симулированных трёхмерных средах.

Argon структурирован таким образом, чтобы быть применимым на протяжении всего жизненного цикла робототехники, решая критические узкие места в текущей разработке роботов. Полезность модели разделена на четыре основные опоры: Управление роботом (Robot Control), Реально-к-Симуляции (Real-to-Simulation, Real2Sim), Физическое понимание (Physical Understanding) и Исследования/Самосовершенствование (Research/Self-Improvement). В области управления роботом Argon может выполнять сложные задачи, такие как мобильная манипуляция с использованием симуляций MuJoCo, выполнять управление роботом в режиме zero-shot (что означает, что он может работать без специфического предварительного обучения для данной задачи) и даже обрабатывать замкнутое управление видео-мировыми моделями. Ярким примером является его способность управлять четвероногим роботом Boston Dynamics Spot®, которому, после изучения нового навыка, была поставлена задача наступить на мусорный бак с педалью для утилизации банок из-под газировки. Это потребовало от Argon сначала сгенерировать артикулированный цифровой двойник мусорного бака в MuJoCo для отработки механики, прежде чем выполнить физическое действие в реальном мире.

Его возможности Real2Sim являются преобразующими, позволяя разработчикам восстанавливать физически откалиброванные симуляционные среды — или «цифровые двойники» — из разнообразных реальных входных данных. Эти входные данные могут варьироваться от необработанных видеопотоков с камер робота и эгоцентрических человеческих видео до простых набросков, сделанных от руки. Это резко снижает потребность в дорогостоящем и времязатратном сборе физических данных. Кроме того, модуль Физического понимания Argon обеспечивает агентное мультимодальное ретроспективное маркирование (hindsight labeling). Это означает, что модель не просто наблюдает за действием; она глубоко понимает лежащую в основе физику, требования к ловкости, плотные функции ценности (оценка ценности состояния) и может точно оценивать прогресс задачи, даже когда что-то идет не так.

Возможность модели преобразовывать абстрактные концепции, такие как набросок, в полностью функциональную, физически верифицированную симуляцию, является, пожалуй, её самой революционной особенностью. Например, разработчик может просто сфотографировать набросок ручкой на бумаге — например, астронавта Apollo 2, бросающего мяч, чтобы опрокинуть стопку коробок. Argon автоматически берёт этот набросок и конструирует сцену mujoco_warp, ускоренную на GPU. Затем он синтезирует сбалансированную траекторию броска всего тела и пяти пальцев с 76 степенями свободы (DoF), проверяет падение цели в замкнутой физической симуляции и, наконец, экспортирует всю сцену как рендерируемый файл для Blender 4.5 Cycles. Этот рабочий процесс значительно ускоряет цикл исследований от концепции до симуляции.

Помимо простой симуляции, Argon превосходно интерпретирует сложные человеческие действия. Получив эгоцентрическое видеочеловека с задачей манипуляции, Argon может выполнять сложный распознавание объектов, заменяя простые ограничивающие рамки на составные выпукло-разложенные сетки для вогнутых контейнеров. Что особенно важно, он затем может перенаправить траекторию руки человека на высокосложную бимануальную гуманоидную модель с 76 DoF в контактном физическом движке MuJoCo. Такой уровень детализации обеспечивает высокореалистичную и физически точную симуляцию взаимодействия человека и робота.

Другой мощный пример его физического понимания — это способность анализировать сложные многоэтапные задачи человека, такие как складывание бумажного цветка-лисы (origami fox). Получив видео сверху, где бимануальный робот ALOHA 2 выполняет эту 136-секундную задачу, Argon генерирует временнó-выровненную иерархию ретроспективных аннотаций на четыре уровня. Эта структура разбивает эпизод на общую Цель (G1), шесть непрерывных Семантических Подзадач (G2), 17 конкретных контактных Атомарных Примитивов (G3) и даже включает автоматическое перевзвешивание Контроля Качества (QC), которое помогает поддерживать воспринимаемый прогресс задачи, даже когда робот ошибается или спотыкается.

В области решения проблем Argon может решать классические головоломки. Для воссоздания знаменитой головоломки с 12 чашами на весах Argon построил бимануальную среду MuJoCo на базе Franka FR3. Затем он разработал решатель, работающий только по визуальным данным в замкнутом контуре, который может триангулировать шары с помощью стерео RGB-камер, визуально считывать наклон весов после каждого взвешивания и успешно изолировать лишний шар (тяжелый или легкий) всего за три взвешивания. Более того, Argon функционирует как общая функция ценности для робототехнических задач, что продемонстрировано при оценке 60-секундного бимануального эпизода сортировки колец из человеческого набора данных UMI, показывая его способность к непрерывной, высокоуровневой оценке задач.

Общая значимость Argon заключается в его унифицированном подходе: он рассматривает физическое рассуждение, генерацию симуляции и планирование действий не как отдельные модули, а как интегрированный, итеративный цикл. Будь то уточнение промптов путем осмотра промежуточных ключевых кадров в замкнутом визуальном цикле или настройка симуляционных ассетов для идеального соответствия реальным контактным событиям, Argon устанавливает новый стандарт того, как ИИ может взаимодействовать с физическим миром и моделировать его, прокладывая более ясный путь к поистине автономным, универсальным роботам.

Этот комплексный набор возможностей — от интерпретации набросков до решения сложных физических головоломок — устанавливает Argon как фундаментальную платформу, которая переопределит всю робототехническую отрасль, выводя её от специализированных, узких задач к обобщенному, человеческому уровню физического интеллекта.