# Google تطلق Gemini 4 Argon للتحكم بالروبوتات ومحاكاتها

> يساعد نموذج Gemini 4 Argon الجديد الروبوتات على التعلم من الفيديو وإنشاء مشاهد محاكاة وتحسين سياسات التحكم. وهو متاح لمشتركي Google AI Ultra وعبر Gemini API.

Oossa · 2026-11-09 · https://oossa.com/ar/google-launches-gemini-4-argon-for-robot-control-and-simulation-3782066

قدّمت Google نموذج Gemini 4 Argon، المصمم لمهام الاستدلال الفيزيائي في مجال الروبوتات. ويمكن للنموذج توجيه روبوت Spot من Boston Dynamics لأداء تمرين باستخدام دواسة قدم، بعد التدريب في توأم محاكاة عبر MuJoCo. كما يستطيع توجيه ذراع روبوتية بسيطة باستخدام إحداثيات مرئية وأوامر حركة عبر HTTP، ويعمل مع نموذج العالم المرئي بالفيديو Gemini Omni لإكمال حلقة الإدراك والفعل.

يمكن لـ Argon إعادة بناء مشاهد محاكاة MuJoCo انطلاقًا من فيديوهات التحكم عن بُعد، وهي عملية تسميها Google «Real2Sim»، كما يمكنه وسم مقاطع الفيديو التوضيحية لاستخدامها في استنساخ السلوك. وتقول Google إنه يستطيع توليد حلقات MuJoCo مع تنويع عشوائي لعناصر البيئة انطلاقًا من صورة RGB واحدة، ثم استخدامها لضبط سياسة للرؤية واللغة والفعل، ما رفع معدل النجاح على الروبوت الحقيقي من 56% إلى 75%.

## الأداء وإمكانية الوصول

تفيد Google بأن Argon حقق دقة بلغت 87% في معيار الإجابة عن أسئلة الاستدلال المتجسد (ERQA)، باستخدام الاستدلال وحده ومن دون أدوات خارجية. وتقول الشركة إن هذه النتيجة تتقدم على نتائج النماذج الرائدة الأخرى في الاختبار نفسه. ويتاح Argon لمشتركي Google AI Ultra، ويمكن استدعاؤه عبر Gemini API المدفوع باستخدام معرّف النموذج gemini-4-argon.

تعتمد عروض الروبوتات التوضيحية على تعليمات طويلة ومخصصة لكل مهمة، تتضمن شبكات إحداثيات وحركات أساسية وخطوات للتحقق. ولم تنشر Google معدلات إخفاق مفصلة لكل عرض، واكتفت بالإشارة إلى حالة واحدة تستخدم نموذج العالم المرئي بالفيديو.

## ردود الفعل الأولية

أشار مختصون إلى أهمية دقة المحاكاة. وحذّر Davin YC Dong، في تعليق على X، من أن المشهد قد يبدو واقعيًا بينما تكون التفاعلات الفيزيائية فيه غير صحيحة، وهو أمر بالغ الأهمية في مهام المناولة. وسلّط مطور آخر، pulpmatrix، الضوء على ضرورة توثيق المصادر بوضوح عند طرح ادعاءات بشأن مسارات «Video-to-Sim-to-Real»، مشيرًا إلى أن الإصدار الحالي لا يتضمن ورقة بحثية أو مستودعًا للشفرة أو إحصاءات لمعدل النجاح في مثال لعبة رمي أكياس الذرة.

تركز أنظمة متخصصة مثل OpenVLA وعائلة π من Physical Intelligence وGR00T من NVIDIA على التنبؤ بالأفعال لأجسام روبوتية محددة، وتعتمد عادةً على مجموعات بيانات كبيرة من التحكم عن بُعد. أما نهج Google فيجمع الإدراك والمحاكاة والتحكم في نموذج واحد، مع اعتماد مكثف على التعليمات، ما يثير تساؤلات بشأن قدرته على الاستعاضة عن منظومة متعددة الخدمات.

## الحقائق

- أطلقت Google نموذج Gemini 4 Argon في 2026-11-09.
- حقق النموذج نتيجة 87% في معيار الإجابة عن أسئلة الاستدلال المتجسد.
- ارتفع معدل النجاح في مهمة على روبوت حقيقي من 56% إلى 75% بعد الضبط الدقيق باستخدام حلقات MuJoCo مولّدة اصطناعيًا.
- يتاح Argon لمشتركي Google AI Ultra وعبر Gemini API (معرّف النموذج gemini-4-argon).
- يمكن للنموذج إعادة بناء مشاهد MuJoCo من فيديوهات التحكم عن بُعد (Real2Sim) ووسم فيديوهات الروبوتات لاستنساخ السلوك.

## لماذا يهم

يتيح Argon لمطوري الروبوتات استخدام نموذج واحد لتحويل بيانات الفيديو إلى بيئات تدريب محاكاة وتحسين سياسات الروبوتات، ما قد يقلل تكلفة بناء مسارات منفصلة للإدراك والمحاكاة والتحكم. لكن غياب مقاييس مفصلة للإخفاق وموارد مفتوحة المصدر يعني أن على المستخدمين التحقق من أدائه على أجهزتهم قبل الاعتماد عليه في المهام الحساسة.

## المصادر والمراجع

1. [Google Releases Gemini 4 Argon for Robotics Control, Simulation, and Policy Improvement](https://www.infoq.com/news/2026/11/google-gemini-argon/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=AI%2C+ML+%26+Data+Engineering) – InfoQ, 2026-11-09

آخر تحديث: 2026-11-09