Googleは、ロボット工学における物理的推論タスク向けモデル「Gemini 4 Argon」を発表した。このモデルは、MuJoCo上に作ったシミュレーションの双子で練習した後、Boston DynamicsのSpotにペダルを使う作業を行わせることができる。また、視覚座標とHTTPによる動作指令を使ってシンプルなロボットアームを操作できるほか、Gemini Omniの動画ワールドモデルと連携して、知覚から行動までのループを構築する。
Argonは、遠隔操作の動画からMuJoCoのシミュレーション環境を再構築する（Googleが「Real2Sim」と呼ぶプロセス）ほか、行動クローニング用にデモ動画へラベルを付けられる。Googleによると、1枚のRGB写真からドメインランダム化したMuJoCoのエピソードを合成し、それを使って視覚・言語・行動ポリシーをファインチューニングできる。その結果、実機ロボットでの成功率は56%から75%に向上したという。
性能と利用方法
Googleによると、Argonは外部ツールを使わず純粋な推論のみで、Embodied Reasoning Question Answering（ERQA）ベンチマークの正答率87%を達成した。同社は、同じテストで他の最先端モデルを上回るスコアだとしている。ArgonはGoogle AI Ultraの加入者向けに提供され、有料のGemini APIからもモデルID「gemini-4-argon」で呼び出せる。
ロボットのデモでは、座標グリッドや動作の基本単位、検証手順を含む、タスクに特化した長いプロンプトが使われている。Googleはデモごとの詳細な失敗率を公表しておらず、動画ワールドモデルを使った1つの事例についてのみ言及している。
初期の反応
実務者からは、シミュレーションの再現性が重要だとの指摘が出ている。XでコメントしたDavin YC Dongは、シーンが現実的に見えても物理的な相互作用が正しくない場合があり、物体操作タスクではそれが特に重要だと警告した。別の開発者pulpmatrixは、「Video-to-Sim-to-Real」パイプラインに関する主張を裏付ける明確な出典資料が必要だと指摘。現時点のリリースには、論文やコードリポジトリ、コーンホールの事例の成功率統計がないと述べた。
OpenVLA、Physical Intelligenceのπシリーズ、NVIDIAのGR00Tといった特化型システムは、特定のロボット形態に向けた行動予測に重点を置き、通常は大規模な遠隔操作データセットを利用する。Googleのアプローチは、知覚、シミュレーション、制御を、詳細なプロンプトを活用する単一モデルにまとめており、複数のサービスを組み合わせるパイプラインを置き換えられるのかという疑問も生じている。
なぜ重要か
ロボット開発者にとってArgonは、動画データをシミュレーション環境に変換して学習に使い、ロボットのポリシーを改善できる単一モデルとなる。知覚、シミュレーション、制御の各パイプラインを別々に構築するコストを下げる可能性がある一方、詳細な失敗率のデータやオープンソースの資料がないため、重要なタスクで使う前に各自のハードウェアで性能を検証する必要がある。
