Gemini 4 Argon如何看视频教会机器人打沙包
Google在10月13日放出了Gemini 4 Argon模型的新演示。测试人员只给它放了一段人类玩cornhole的视频,没过多久,Apptronik的Apollo人形机器人就在真实场地上连续完成了七次投掷。
很多人第一眼会以为这是机器人提前录好了动作。其实不是,Argon的做法是先看、再搭仿真、最后才让真机上场。它把这段流程叫做Video-to-Sim-to-Rreal,官方说法是把原本要耗上几周的仿真建模压到了几小时。
下面直接拆流程:视频进去之后模型到底算了什么,省下来的时间具体省在哪,还有那个87%的benchmark得分说明了什么。
Argon看完视频,替Apollo算了哪些动作?
按Google的说法,Argon拿到人类打cornhole的视频之后,并没有直接套现成动作。它先把场地的空间坐标映射出来,再算出全身的关节该怎么动,最后生成一段能在仿真器里跑的代码。代码跑完,动作才被搬到Apollo机器人身上做物理测试。
换句话说,机器人手上那套动作不是人手动摇出来的,是模型从视频里读环境、读肢体运动,自己拼出来的。这也是为什么官方把这个内部测试定义为模型在训练数据分布之外学习物理技能。
Video-to-Sim-to-Rreal省了多少时间?
传统做法要做仿真建模,搭环境、调参数,没几周下不来。Google这次把中间那段建模的时间砍到了几小时。视频看完,模型自己生成仿真代码,验证和转换都在同一个流程里走完。
不过公告里也留了个口子:它只说了这次测试内部流程变快了,并没有讲这套方法换个场景、换个游戏还灵不灵。所以几小时指的是这次cornhole测试里的仿真环节,不是所有机器人任务都能这么快。
那个87%的具身推理得分是什么水平?
除了会打沙包,Google还公布了Argon在Embodied Reasoning基准上的成绩:87%。这个基准主要考模型对三维空间里物理和空间问题的理解。Google表示,Argon在这个测试上超过了其他前沿模型。
具身推理听起来虚,其实考的就是模型脑子有没有三维概念。你要它抓东西、走路、躲障碍,得先知道自己在哪、东西在哪。87%这个数字至少说明Argon在读空间关系上有一套,不然也做不到看一段视频就把cornhole的场地和动作拆开。
这套流程和以前的机器人训练有什么不同?
以前教机器人新技能,要么手写代码,要么在仿真里一点点试错。Argon这条路子是从人类视频直接起步,模型自己翻译成仿真能跑的东西,再落到真机。
Google也提到,这种快速学技能的能力如果成立,机器人在动态环境里的适应速度会快很多,应用面也能铺得更开。当然,这都是潜力,这次只证明了cornhole这一件事。
现在哪里能用到Argon?
Google表示Argon正在通过自家的开发者、企业和消费者AI产品逐步开放。也就是说,它不只是实验室里的玩具,会进入普通人日常能接触到的工具里。机器人那个演示是内部测试,但模型本身是挂在产品线上的。
结语:视频直接变机器人动作,省的是中间的建模时间
一句话总结:Argon的核心价值不是会打cornhole,而是把看视频到跑真机中间的仿真建模从几周压到了几小时,同时在具身推理基准上拿到了87%。至于这套方法能不能铺开到更多任务,Google这次没给答案。
本文基于公开媒体报道整理,仅作信息参考,不构成任何投资依据,内容以原文为准。