Google ha presentato Gemini 4 Argon, un modello progettato per attività di ragionamento fisico in robotica. Il modello può guidare un robot Spot di Boston Dynamics in un esercizio con pedali dopo essersi allenato in un gemello simulato realizzato con MuJoCo. Può anche controllare un semplice braccio robotico usando coordinate visive e comandi di movimento HTTP, e si integra con il modello video del mondo di Gemini Omni per chiudere il ciclo tra percezione e azione.
Argon può ricostruire scene simulate in MuJoCo a partire da video di teleoperazione (un processo che Google chiama Real2Sim) e annotare filmati dimostrativi per l’apprendimento per imitazione. Google afferma che il modello può generare episodi MuJoCo con randomizzazione del dominio a partire da una singola foto RGB e usarli per perfezionare una politica visione-linguaggio-azione, portando il tasso di successo sul robot reale dal 56% al 75%.
Prestazioni e disponibilità
Google riferisce che Argon ha raggiunto un’accuratezza dell’87% sul benchmark Embodied Reasoning Question Answering (ERQA) usando il solo ragionamento, senza strumenti esterni. Secondo l’azienda, il risultato supera quello degli altri modelli di frontiera sullo stesso test. Argon è disponibile per gli abbonati a Google AI Ultra e può essere richiamato tramite la Gemini API a pagamento con l’ID modello gemini-4-argon.
Le dimostrazioni di robotica si basano su prompt lunghi e specifici per ciascun compito, che includono griglie di coordinate, primitive di movimento e passaggi di verifica. Google non ha pubblicato dati dettagliati sui tassi di errore di ciascuna demo, limitandosi a menzionare il singolo caso che usa il modello video del mondo.
Prime reazioni
Gli operatori del settore hanno sottolineato l’importanza della fedeltà della simulazione. Davin YC Dong, in un commento su X, ha avvertito che una scena può sembrare realistica anche quando le interazioni fisiche sono errate, un aspetto cruciale nelle attività di manipolazione. Un altro sviluppatore, pulpmatrix, ha evidenziato la necessità di documentare chiaramente le fonti a sostegno delle affermazioni sulle pipeline “Video-to-Sim-to-Real”, osservando che il rilascio attuale non include un articolo, un repository di codice né statistiche sul tasso di successo dell’esempio del cornhole.
Sistemi specializzati come OpenVLA, la famiglia π di Physical Intelligence e GR00T di NVIDIA si concentrano sulla previsione delle azioni per specifiche configurazioni robotiche e si basano in genere su grandi dataset di teleoperazione. L’approccio di Google riunisce percezione, simulazione e controllo in un unico modello, affidandosi molto ai prompt, e solleva dubbi sulla sua capacità di sostituire una pipeline composta da più servizi.
Perché conta
Per chi sviluppa sistemi robotici, Argon offre un unico modello in grado di trasformare dati video in ambienti di addestramento simulati e migliorare le strategie dei robot, con il potenziale di ridurre i costi di pipeline separate per percezione, simulazione e controllo. Tuttavia, in assenza di metriche dettagliate sugli errori e di risorse open source, gli utenti dovranno verificare le prestazioni sul proprio hardware prima di affidargli attività critiche.
