Google 发布 Gemini 4 Argon，用一个模型覆盖机器人全流程

借助 Gemini 4 Argon，Google 正在推销一个覆盖完整机器人流水线的单一模型。它能控制机器人、构建虚拟练习世界，并为训练视频评分。但示例提示词恰恰暴露出，这个模型仍然需要多少人工手把手的引导。

一台 Boston Dynamics Spot 机器人本应把汽水罐扔进一个脚踏式垃圾桶。在触碰真实的踏板之前，Gemini 4 Argon 会先构建垃圾桶的虚拟副本，机器人在该仿真环境中练习用三条腿保持平衡。只有完成这些之后，它才会在真实硬件上尝试这项任务。在放下罐子之前，还有两个额外的 AI 智能体负责核验脚部和夹爪的位置是否正确。

Google 就是这样演示其最新机器人任务模型的能力的。Argon 旨在更好地理解空间关系、编写控制代码，并从物理角度解读视频。Google 将该模型视为一款通用工具，覆盖从控制单个机器人到复现已发表研究的一切，并称这是迈向“物理 AGI”的又一步——这是 Google 及其 AI 子公司 DeepMind 多年来一直追求的目标。

单张照片转化为数千次训练运行

Spot 演示遵循了一种在 Google 众多示例中反复出现的模式：Argon 利用仿真来准备任务、验证任务或生成训练数据。仅凭一张摆有派对道具的桌子照片，该模型就构建出一个虚拟复刻场景，包括一顶柔软的毛绒帽。它提出了 77 项任务，从扶正倒下的物体到清理桌面，并为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%，执行时间从 35 秒缩短到 24 秒。

Argon 也能基于其他来源工作。根据一段遥操作机器人的录像，它会构建一个仿真环境，力求外观一致，并复现指尖相同的力读数。根据一段人类执行抓取任务的第一人称视频，该模型会将手部和手指动作映射到一个拥有五指手的虚拟人形机器人上。

甚至圆珠笔草图也能奏效。一幅画显示一个人形机器人用球击倒一摞箱子，Argon 将其转化为仿真，计算出一种投掷动作，在不使机器人摔倒的情况下击倒全部六个箱子。

Argon 指挥 AI 视频模型规划机器人动作

有一个演示完全在 AI 生成的视频中展开。Gemini Omni 是一个视频世界模型，能生成片段来展示场景中发生某事时如何变化，而 Argon 则充当导演。它编写带时间戳的指令，描述双手应该做什么，比如将一块 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 检查各个帧并调整下一条命令。目标是排列五块散落的字母牌，拼出“ARGON”，经过 33 步后，它们排成了正确顺序。

在另一个使用简单机械臂的演示中，Argon 需要将一块乐高积木放入木箱，并随时间推移提升自身表现。当尝试失败时，提示词会要求 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复后重试。第一次运行耗时略低于一分钟，第二次快得多，为 23 秒，不过积木擦到了箱子边缘。第三次尝试时，它在大约 17 秒后正中中心。

Google 还希望 Argon 服务于研究。针对每篇论文给出一个提示词，它就能将已发表的机器人实验重建为可在浏览器中运行的交互式模拟。Google 表示，目前已构建 68 个此类沙盒，包括机器人足球和踩滑板的人形机器人。

ERQA 基准（具身推理问答）测试 AI 模型在 3D 环境中理解和解决物理与空间问题的能力。该测试使用了 400 个问题，且不提供辅助工具，因此模型必须仅靠推理解决所有问题。据 Google 称，Argon 得分 87%，领先于所有其他前沿模型。第二名 Claude Opus 5.5 达到 82.3%，落后约五个百分点。GPT-6 Astra 以 81% 紧随其后，Claude Fable 5.1 以 74% 落后 13 个百分点。

一天后发布的 Artificial Analysis AA-Robotics 基准则讲述了另一个故事。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 分位列第三，落后于 GPT-6 Astra 的 69 分和 GPT-6.1 Sol 的 65 分。

Argon 还会审查训练数据质量

除了控制机器人和构建模拟之外，Argon 还旨在评估训练数据。在一段略长于两分钟的视频中，展示了一个双臂机器人折叠折纸狐狸，模型将序列分解为子步骤，并标记出停顿和抓取失误。这些片段随后在训练中被赋予较低权重。在另一段人类分拣圆环的视频中，Argon 追踪了任务在何处推进、停滞或倒退。

Google 还展示了一个围绕经典称重谜题构建的更有趣的用例。在十二个外观相同的球中，有一个比其他球更重或更轻。Argon 构建了一个带有两条机械臂和一台天平的模拟，仅通过摄像头图像读取天平的倾斜。它能在三次或更少的称重中找出那个不同的球。

真正的脚手架存在于提示词中

Google 公布了这些演示的详细示例提示词，也让一些更宏大的说法回归现实。对于被描述为“零样本”的扶正倒扣杯子任务，Argon 会收到一张叠加了厘米网格的摄像头图像，以及“抓取”或“下移直到接触”等预置命令。对于仿真任务，则有一长串禁止事项，以防模型走捷径，比如直接复制测量到的传感器数值。Google 在博文中没有公布各个演示的失败率，而 75% 的成功率也没有提及它基于多少次总尝试。

Argon 现已在 Google AI Studio 和开发环境 Antigravity 中提供，但仅限 Google AI Ultra 订阅用户使用。开发者还可以通过 Gemini API 的付费层级访问该模型。

就在几天前，Google 刚在全球发布了 Gemini 4 Argon。在机器人领域，该公司此前已经推出了 Gemini Robotics-ER 1.6，这是一个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世界，而 Nvidia 的 DreamDojo 则将机器人动作模拟为视频。Google 方法的独特之处在于，它雄心勃勃地要用同一个模型来处理仿真、控制和评估。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，即可享受无广告阅读、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。