Google 希望 Gemini 4 Argon 成为机器人所需的唯一 AI 模型

借助 Gemini 4 Argon，Google 正在推广一个覆盖完整机器人流程的单一模型。它可以控制机器人、构建虚拟练习世界，还能为训练视频评分。但示例提示词表明，该模型仍然需要人类大量引导。

一台 Boston Dynamics Spot 机器人需要把汽水罐扔进脚踏式垃圾桶。在碰触真实踏板之前，Gemini 4 Argon 会构建垃圾桶的虚拟副本，机器人则在该模拟环境中练习用三条腿保持平衡。只有这样，它才会在真实硬件上尝试执行任务。在丢下罐子之前，另外两个 AI 代理会确认机器人的脚和夹爪是否处于正确位置。

Google 就是这样展示其最新机器人任务模型能力的。Argon 旨在更好地理解空间关系、编写控制代码，并根据物理规律解读视频。Google 将该模型视为一种通用工具，涵盖从控制单个机器人到重现已发表研究的所有任务，并称其是迈向“物理 AGI”的又一步；Google 及其 AI 子公司 DeepMind 多年来一直在追求这一目标。

Gemini 4 Argon 在 MuJoCo 仿真中练习一系列动作后，控制 Spot 拾起罐子，并利用踏板将它们扔进垃圾桶。| 图片：Google

一张照片变成数千次训练运行

Spot 演示遵循了一种在 Google 众多示例中反复出现的模式：Argon 使用仿真来准备任务、验证任务或生成训练数据。模型从一张摆放着派对道具的桌子照片出发，构建了一个虚拟复制品，其中包括一顶柔软的毛绒帽子。它设计出 77 项任务，从扶正倒下的物体到清理桌面不等，并为一个控制模型生成了超过 4,500 个训练回合。在真实机器人上测试时，成功率从 56% 提升到 75%，执行时间则从 35 秒缩短至 24 秒。

Argon 从一张照片生成超过 4,500 个不同的仿真回合，将真实机器人的成功率从 56% 提升到 75%。| 图片：Google

Argon 也可以处理其他来源的数据。对于一段远程操控机器人操作的录制视频，它会构建一个外观相同、并能复现指尖处相同受力读数的仿真环境。对于一段人类执行抓取任务的第一人称视频，模型会将手部和手指的运动映射到一个拥有五指双手的虚拟人形机器人上。

即使是一张圆珠笔素描也可以。图中是一台人形机器人用球击倒一座箱子金字塔，Argon 将其转化为一个仿真环境，计算出投掷动作，在机器人不摔倒的情况下击倒全部六个箱子。

从一幅简单的手绘图出发，Argon 构建了一个仿真环境：人形机器人在保持平衡的同时，只需一次投掷就能击倒全部六个箱子。| 图片：Google

Argon 指挥 AI 视频模型规划机器人动作

一项演示完全在 AI 生成的视频中展开。Gemini Omni 是一个视频世界模型，能够生成片段，展示场景中发生某件事后场景如何变化，而 Argon 则充当导演。它会编写带时间戳的指令，描述双手应该做什么，例如将一块 Scrabble 字母牌滑到桌子中央。Gemini Omni 根据这些指令生成视频，随后 Argon 检查单个画面并调整下一条命令。目标是将五块散落的字母牌排列成“ARGON”，经过 33 个步骤后，它们便按正确顺序排列。

Argon 逐步引导视频世界模型 Gemini Omni，直到机器人手臂将字母排成 ARGON。| 图片：Google

在另一个使用简单机械臂的演示中，Argon 必须将一块乐高积木放进木盒，并随着时间推移提升自己的表现。尝试失败时，提示会要求 Argon 查看自己的日志和摄像头图像，找出原因，并在应用经过验证的修正后重试。第一次运行耗时不到一分钟，第二次快得多，仅用 23 秒，不过积木擦到了盒子边缘。第三次尝试时，积木在约 17 秒后落在正中央。

经过三轮迭代，Argon 将机械臂的执行时间从 58.9 秒缩短到 17.4 秒，并在最后一次尝试中击中盒子中央。| 图片：Google

Google 还希望 Argon 能服务于研究。只需为每篇论文提供一条提示，它就能将已发表的机器人实验重现为可在浏览器中运行的交互式模拟。Google 表示，目前已构建了 68 个这样的沙盒，其中包括机器人足球和滑板上的人形机器人。

ERQA 基准测试（具身推理问答）旨在测试 AI 模型理解并解决 3D 环境中物理和空间问题的能力。测试包含 400 道题，且不提供辅助工具，因此模型必须仅凭推理解决所有问题。据 Google 称，Argon 得分为 87%，领先所有其他前沿模型。排名第二的 Claude Opus 5.5 得分为 82.3%，落后约 5 个百分点。GPT-6 Astra 以 81% 紧随其后，Claude Fable 5.1 则以 74% 落后 13 个百分点。

据 Google 称，在测试空间与物理推理能力的 ERQA 基准测试中，Gemini 4 Argon 领先 Claude Opus 5.5 约 5 个百分点。| 图片：Google

一天后发布的 Artificial Analysis AA-Robotics 基准测试则呈现出不同结果。在该测试中，语言模型直接控制真实机械臂完成八项任务，Argon 以 100 分中的 55 分位居第三，落后于得分 69 的 GPT-6 Astra 和得分 65 的 GPT-6.1 Sol。

Argon 还会审核训练数据质量

除了控制机器人和构建模拟环境，Argon 还旨在评估训练数据。在一段时长略超两分钟的视频中，双臂机器人折叠一只折纸狐狸，模型将整个过程拆分为多个子步骤，并标记停顿和抓取失误。随后，这些片段在训练中的权重会被降低。在另一段人类整理圆环的视频中，Argon 标出了任务推进、停滞或倒退的环节。

Google 还展示了一种更有趣的用例，围绕一道经典称球谜题展开。十二个外观相同的球中，有一个比其他球更重或更轻。Argon 构建了一个包含两只机械臂和一台天平的模拟环境，仅凭摄像头图像读取天平的倾斜情况。它最多称量三次，就能找出异球。

真正的支撑机制藏在提示中

Google 发布了这些演示的详细示例提示词，让一些更大胆的说法有了更具体的参照。要扶正一个翻倒的杯子，这项被称为“零样本”的任务中，Argon 会接收一张叠加了厘米网格的相机图像，以及“抓取”或“降低直至接触”等预设命令。在模拟任务中，则有很长的禁止事项清单，防止模型走捷径，例如直接复制测得的传感器数值。Google 没有在博客文章中公布各项演示的失败率，而 75% 的成功率也没有说明是基于总共多少次尝试。

无需预先训练，Argon 就能在相机图像中的坐标网格引导下扶正翻倒的杯子，并把餐巾塞进去。| 图片：Google

Argon 现已在 Google AI Studio 和开发环境 Antigravity 中推出，但仅限 Google AI Ultra 订阅用户使用。开发者也可以通过付费版 Gemini API 使用该模型。

Google 仅在几天前面向全球发布了 Gemini 4 Argon。在机器人领域，该公司此前已推出 Gemini Robotics-ER 1.6，这是一款用于空间感知和任务规划的模型。在虚拟环境中训练也并非新鲜事：初创公司 World Labs 展示了如何将真实场景转化为虚拟训练环境，而 Nvidia's DreamDojo 则将机器人动作模拟为视频。Google 的方法之所以与众不同，在于它力求用同一个模型处理模拟、控制和评估。

没有炒作的 AI 新闻——由人工精选

订阅 THE DECODER，即可享受无广告阅读体验、每周 AI 新闻简报、每年六期独家“AI Radar”前沿报告、完整档案访问权限，以及评论区访问权限。