أطلقت جوجل Gemini 4 Argon، واصفة إياه بأنه نموذج استدلال فيزيائي للأغراض العامة للتحكم بالروبوتات، وبناء مشاهد Real2Sim، وتصنيف فيديو الروبوتات متعدد الوسائط، وتحسين السياسات التكراري، بدلاً من كونه سياسة طرفية واحدة.
في المطالبات المنشورة، يوجه Argon روبوت Boston Dynamics Spot لإنجاز مهمة دواسة القدم بعد التدريب في توأم MuJoCo، ويوجه ذراعًا أبسط باستخدام إحداثيات مرئية وأوامر حركة HTTP، ويغلق حلقة مع نموذج عالم الفيديو Gemini Omni. تقوم أمثلة Real2Sim بإعادة بناء مشاهد MuJoCo من فيديو التحكم عن بعد؛ وتقوم مطالبات التصنيف بتعليق لقطات العروض التوضيحية لاستنساخ السلوك. كما أفادت جوجل بتوليف حلقات MuJoCo ذات النطاق العشوائي من صورة RGB واحدة لضبط سياسة الرؤية واللغة والحركة، مشيرة إلى ارتفاع نسبة النجاح من 56% إلى 75% في الإعداد الحقيقي المقابل.
ما هي قدرات Gemini 4 Argon؟
تفيد جوجل بأن Argon يحقق 87% في معيار Embodied Reasoning Question Answering (ERQA) باستخدام الاستدلال الخالص، دون أدوات مساعدة. وتذكر جوجل أن "هذه النتيجة تتفوق على النماذج الرائدة الأخرى في هذا الاختبار." يتوفر Argon لمشتركي Google AI Ultra وعبر واجهة برمجة تطبيقات Gemini المدفوعة، بمعرف النموذج gemini-4-argon في وثائق نماذج Gemini API. يستخدم منشور الروبوتات مطالبات طويلة ومحددة للمهام، وشبكات إحداثيات، وأوامر حركة بدائية، وأجهزة تحقق، مما يعني أن السقالات جزء من النظام قيد الاختبار، ولا تنشر جوجل معدلات الفشل لكل عرض توضيحي بخلاف حالة VLA الواحدة.
كيف كانت ردود فعل الخبراء؟
تركزت ردود الفعل المبكرة للممارسين على دقة المحاكاة. علّق دافين واي سي دونغ على X قائلاً: "أمثلة جوجل لأرغون في الروبوتات تضبط توائم المحاكاة بناءً على أحداث التلامس وكذلك المرئيات. هذا هو الجزء الذي سأفحصه: يمكن أن يبدو المشهد مقنعًا بينما تتصرف كائناته بشكل غير صحيح. بالنسبة للتلاعب، فإن مطابقة ما يحدث عند التلامس لا تقل أهمية عن مطابقة البكسلات."
بشكل منفصل، جادل مطور باسم pulpmatrix بضرورة الانضباط في المصادر حول ادعاءات Video-to-Sim-to-Real التي انتشرت في نفس الأسبوع، قائلاً: "Video-to-Sim-to-Real حقيقي، وموثق في مدونة مطوري Gemini 4 Argon for Robotics من جوجل (توأم MuJoCo، 87% ERQA)." وأضاف: "لعبة Cornhole ليست ضمنه: لا توجد ورقة بحثية، لا مستودع، لا معدل نجاح، ورميات حقيقية عايرت الروبوت أولاً."
تُحسّن أنظمة الرؤية واللغة والحركة المتخصصة مثل سياسات فئة OpenVLA، ونماذج π-family من Physical Intelligence، وNVIDIA GR00T مع أدوات موجهة لـ Isaac، التنبؤ بالحركة في تجسيدات الروبوتات وتعتمد عادةً على مجموعات كبيرة من بيانات التحكم عن بعد أو المحاكاة. تركز أدوات Scene-to-sim وأدوات العالم التوليدية، وإعادة بناء World Labs-style، وفيديو الحركة من نوع NVIDIA DreamDojo، والتوائم الرقمية لـ Isaac Sim، على توليف البيئة أو التنبؤ بالفيديو دون امتلاك حلقة التحكم وضمان الجودة الكاملة الموضحة في مطالبات جوجل. يظل عمل جوجل السابق مثل Gemini Robotics-ER خطًا ذا صلة للإدراك والتخطيط المكاني. بالنسبة لمراجعات البنية، السؤال هو ما إذا كان نموذج رائد واحد بالإضافة إلى تسخير مطالبات مكثف يزيح مجموعة من خدمات VLA والمحاكاة والتصنيف.
