Google이 로보틱스의 물리적 추론 작업을 위해 설계한 모델 Gemini 4 Argon을 공개했다. 이 모델은 MuJoCo 시뮬레이션 쌍둥이 환경에서 연습한 뒤 Boston Dynamics의 Spot 로봇이 페달을 밟는 과제를 수행하도록 지시할 수 있다. 시각 좌표와 HTTP 동작 명령을 사용해 간단한 로봇 팔을 제어할 수도 있으며, Gemini Omni의 비디오 월드 모델과 함께 인식과 동작의 순환을 완성한다.
Argon은 원격 조작 영상으로 MuJoCo 시뮬레이션 장면을 재구성할 수 있다. Google은 이 과정을 Real2Sim이라고 부른다. 또 행동 복제 학습을 위해 시연 영상에 라벨을 붙일 수 있다. Google에 따르면 RGB 사진 한 장으로 도메인 무작위화가 적용된 MuJoCo 에피소드를 합성한 뒤, 이를 활용해 비전·언어·행동 정책을 미세 조정할 수 있다. 그 결과 실제 로봇의 성공률이 56%에서 75%로 높아졌다.
성능 및 이용 방법
Google은 외부 도구를 전혀 사용하지 않고 추론만으로 Embodied Reasoning Question Answering(ERQA) 벤치마크에서 Argon이 87%의 정확도를 기록했다고 밝혔다. 회사는 같은 테스트에서 이 점수가 다른 최첨단 모델보다 높다고 설명했다. Argon은 Google AI Ultra 구독자에게 제공되며, 유료 Gemini API에서 모델 ID gemini-4-argon으로 호출할 수 있다.
로보틱스 시연에는 좌표 격자, 동작 기본 단위, 검증 단계 등이 포함된 과제별 장문의 프롬프트가 사용된다. Google은 각 시연의 구체적인 실패율은 공개하지 않았으며, 비디오 월드 모델을 사용한 사례 하나만 언급했다.
초기 반응
현장 전문가들은 시뮬레이션의 충실도가 중요하다고 지적했다. Davin YC Dong은 X에 시뮬레이션 장면이 실제처럼 보여도 물리적 상호작용은 잘못 구현될 수 있으며, 이는 조작 작업에서 특히 중요하다고 경고했다. 또 다른 개발자 pulpmatrix는 “Video-to-Sim-to-Real” 파이프라인 관련 주장을 뒷받침할 명확한 자료가 필요하다고 강조했다. 현재 공개된 자료에는 논문이나 코드 저장소가 없고, 콘홀 사례의 성공률 통계도 빠져 있다는 설명이다.
OpenVLA, Physical Intelligence의 π 제품군, NVIDIA의 GR00T 같은 전문 시스템은 특정 로봇 형태에 맞춘 동작 예측에 초점을 두며, 대규모 원격 조작 데이터셋에 의존하는 경우가 많다. Google은 인식, 시뮬레이션, 제어를 하나의 모델에 묶고 프롬프트를 적극 활용하는 방식을 택했다. 이 모델이 여러 서비스로 구성된 파이프라인을 대체할 수 있을지는 아직 의문으로 남는다.
왜 중요한가
로보틱스 개발자는 Argon을 이용해 영상 데이터를 시뮬레이션 학습 환경으로 바꾸고 로봇 정책을 개선할 수 있어, 인식·시뮬레이션·제어 파이프라인을 각각 구축하는 비용을 줄일 가능성이 있다. 다만 세부 실패 지표와 오픈소스 자료가 공개되지 않아, 중요한 작업에 활용하기 전에는 각자 사용하는 하드웨어에서 성능을 검증해야 한다.
