گوگل Gemini 4 Argon را معرفی کرده است؛ مدلی که برای استدلال فیزیکی در رباتیک طراحی شده. این مدل می‌تواند ربات Spot شرکت Boston Dynamics را پس از تمرین در نسخه شبیه‌سازی‌شده‌ای از محیط MuJoCo، در تمرین با پدال هدایت کند. همچنین می‌تواند با استفاده از مختصات بصری و فرمان‌های حرکتی HTTP یک بازوی رباتیک ساده را کنترل کند و با مدل جهانی ویدئویی Gemini Omni کار کند تا حلقه ادراک و کنش را کامل کند.
Argon می‌تواند صحنه‌های شبیه‌سازی MuJoCo را از ویدئوی کنترل از راه دور بازسازی کند؛ فرایندی که گوگل آن را Real2Sim می‌نامد. این مدل همچنین می‌تواند ویدئوهای نمایشی را برای یادگیری تقلیدی برچسب‌گذاری کند. به گفته گوگل، Argon می‌تواند با استفاده از یک عکس RGB، مجموعه‌ای از موقعیت‌های شبیه‌سازی‌شده MuJoCo با تنوع دامنه بسازد و از آن‌ها برای تنظیم دقیق یک سیاست بینایی‌ـ‌زبان‌ـ‌کنش استفاده کند؛ کاری که نرخ موفقیت ربات واقعی را از 56% به 75% رسانده است.
عملکرد و دسترسی
گوگل می‌گوید Argon در آزمون بنچمارک پاسخ‌گویی به پرسش‌های استدلال تجسم‌یافته (ERQA)، بدون استفاده از ابزارهای بیرونی و صرفاً با استدلال، به دقت 87% رسیده است. این شرکت می‌گوید امتیاز Argon در این آزمون از دیگر مدل‌های پیشرفته بیشتر است. این مدل در اختیار مشترکان Google AI Ultra قرار دارد و از طریق نسخه پولی Gemini API با شناسه مدل gemini-4-argon قابل فراخوانی است.
دموهای رباتیک به دستورهای متنی طولانی و ویژه هر وظیفه متکی‌اند که شامل شبکه‌های مختصاتی، حرکات پایه و مراحل تأیید می‌شوند. گوگل نرخ خطای هر دمو را با جزئیات منتشر نکرده و تنها به موردی اشاره کرده که از مدل جهانی ویدئویی استفاده می‌کند.
واکنش‌های اولیه
برخی فعالان این حوزه تأکید کرده‌اند که میزان دقت شبیه‌سازی اهمیت دارد. داوین وای‌سی دونگ در واکنشی در X هشدار داد که ممکن است یک صحنه واقعی به نظر برسد، اما تعاملات فیزیکی در آن درست نباشد؛ مسئله‌ای حیاتی برای کارهایی که به دست‌کاری اشیا نیاز دارند. توسعه‌دهنده دیگری با نام pulpmatrix نیز بر لزوم مستندات روشن درباره منبع ادعاهای مربوط به فرایندهای «Video-to-Sim-to-Real» تأکید کرد و گفت نسخه فعلی نه مقاله‌ای دارد، نه مخزن کد و نه آمار نرخ موفقیت برای نمونه پرتاب کیسه لوبیا در سوراخ (cornhole).
سامانه‌های تخصصی مانند OpenVLA، خانواده π شرکت Physical Intelligence و GR00T شرکت NVIDIA بر پیش‌بینی کنش برای پیکربندی‌های مشخص ربات متمرکزند و معمولاً به مجموعه‌داده‌های بزرگِ کنترل از راه دور متکی هستند. رویکرد گوگل ادراک، شبیه‌سازی و کنترل را با دستورهای متنی مفصل در یک مدل گرد هم می‌آورد و این پرسش را مطرح می‌کند که آیا چنین مدلی می‌تواند جایگزین یک فرایند چندسرویسی شود یا نه.
چرا مهم است
برای توسعه‌دهندگان رباتیک، Argon مدلی یکپارچه عرضه می‌کند که می‌تواند داده‌های ویدئویی را به محیط‌های آموزشی شبیه‌سازی‌شده تبدیل کند و سیاست‌های ربات را بهبود دهد؛ قابلیتی که شاید هزینه ساخت سامانه‌های جداگانه برای ادراک، شبیه‌سازی و کنترل را کاهش دهد. بااین‌حال، نبود آمار دقیق خطا و منابع متن‌باز به این معناست که کاربران باید پیش از اتکا به مدل در وظایف حساس، عملکرد آن را روی سخت‌افزار خودشان ارزیابی کنند.
