Η Google κυκλοφορεί το Gemini 4 Argon με επιδείξεις εκπαίδευσης ρομπότ

Η Google άνοιξε την πρόσβαση στο Gemini 4 Argon, το νεότερο μοντέλο τεχνητής νοημοσύνης αιχμής. Σε επιδείξεις ρομποτικής, το μοντέλο παρακολούθησε βίντεο με καθημερινές ανθρώπινες κινήσεις, δημιούργησε προσομοιώσεις φυσικής και στη συνέχεια τις χρησιμοποίησε για να ελέγξει πραγματικά ρομπότ. Η Google DeepMind περιγράφει το Argon ως ένα "μοντέλο φυσικής συλλογιστικής γενικού σκοπού" που μπορεί να χρησιμοποιηθεί σε ολόκληρο τον κύκλο ζωής της ρομποτικής. Στις 13 Οκτωβρίου, η εταιρεία το κατέστησε διαθέσιμο παγκοσμίως μέσω του επί πληρωμή API του Gemini και για τους συνδρομητές του Google AI.developers.googleblog+2

Η παρουσίαση ρομποτικής αποτελεί μέρος μιας ευρύτερης κυκλοφορίας από την ↘ 1.68% Google της Alphabet. Η εταιρεία προωθεί το Argon κυρίως για προγραμματισμό, εταιρική διαχείριση γνώσης και κυβερνοασφάλεια, αλλά το τοποθετεί επίσης ως εργαλείο για την επιτάχυνση της χρονοβόρας διαδικασίας δημιουργίας περιβαλλόντων εκπαίδευσης ρομπότ.blog+1

Από το βίντεο στην προσομοίωση και το υλικό

Σε μια εσωτερική δοκιμή, το Argon παρακολούθησε βίντεο ενός ατόμου που έπαιζε cornhole, χαρτογράφησε τον χώρο και υπολόγισε τις κινήσεις των αρθρώσεων που απαιτούνταν για την εκτέλεση της ρίψης. Στη συνέχεια, έγραψε μόνο του τον κώδικα προσομοίωσης. Αφού η δεξιότητα μεταφέρθηκε στο ανθρωποειδές Apollo της Apptronik, το ρομπότ "πέτυχε γρήγορα επτά συνεχόμενες βολές σε δοκιμή πραγματικών συνθηκών", ανέφερε η Google. Η εταιρεία ονομάζει αυτή την προσέγγιση "Video-to-Sim-to-Real". Υποστηρίζει ότι η διαδικασία "συμπυκνώνει εβδομάδες χειροκίνητης μοντελοποίησης προσομοίωσης σε λίγες ώρες", μετατρέποντας το απλό βίντεο σε ένα "κλιμακούμενο, άπειρο πεδίο εκπαίδευσης για τη ρομποτική".blog

Σε μια άλλη επίδειξη, το Argon έλεγξε ένα τετράποδο Spot της Boston Dynamics εξοπλισμένο με βραχίονα έξι βαθμών ελευθερίας. Δημιούργησε ένα ψηφιακό δίδυμο MuJoCo ενός κάδου απορριμμάτων με πεντάλ και εξασκήθηκε στην ισορροπία στα τρία πόδια μέσα στον προσομοιωτή. Μόνο τότε το πραγματικό ρομπότ πάτησε το πεντάλ, επιβεβαίωσε με την κάμερα του καρπού του ότι το κουτάκι ήταν κεντραρισμένο πάνω από τον κάδο και το πέταξε μέσα. Ο Kanishka Rao, κύριος μηχανικός λογισμικού στην Google, περιέγραψε αυτό και άλλα παραδείγματα σε ανάρτηση στο ιστολόγιο προγραμματιστών.developers.googleblog

Ξεκινώντας από μια και μόνο φωτογραφία μιας επιφάνειας τραπεζιού, το Argon δημιούργησε επίσης μια προσομοίωση, όρισε νέες εργασίες και παρήγαγε περισσότερα από 4.500 τυχαία επεισόδια εκπαίδευσης. Η χρήση αυτών των δεδομένων αύξησε το ποσοστό επιτυχίας ενός μοντέλου όρασης-γλώσσας-δράσης στον πραγματικό κόσμο από 56% σε 75% και μείωσε τον χρόνο ολοκλήρωσης της εργασίας από 35 σε 24 δευτερόλεπτα, σύμφωνα με την Google.developers.googleblog

Πρότυπα αξιολόγησης και πρόσβαση

Η Google αναφέρει ότι το Argon πέτυχε σκορ 87% στο πρότυπο αξιολόγησης ενσώματης λογικής (ERQA), το οποίο εξετάζει την επίλυση χωρικών και φυσικών προβλημάτων σε τρισδιάστατα περιβάλλοντα. Η εταιρεία υποστηρίζει ότι το σκορ αυτό ξεπερνά κάθε άλλο προηγμένο μοντέλο που δοκίμασε και ότι το Argon το πέτυχε "χρησιμοποιώντας καθαρή λογική" χωρίς εξειδικευμένη ρύθμιση για ρομπότ. Οι Times of India σημείωσαν ότι τα παραδείγματα ρομποτικής της Google κυμαίνονται από τον χειρισμό αντικειμένων με το Spot έως τις εργασίες ρίψης στα ανθρωποειδή Apollo.timesofindia.indiatimes+2

Η Google ανακοίνωσε για πρώτη φορά το Argon στις 30 Σεπτεμβρίου. Σε εκείνο το στάδιο, η πρόσβαση περιοριζόταν σε ελεγμένους ειδικούς κυβερνοασφάλειας μέσω του προγράμματος Fairwind της εταιρείας, ενώ η Google συμμετείχε στην εθελοντική διαδικασία της κυβέρνησης των ΗΠΑ για την πρόσβαση σε μοντέλα πριν από την κυκλοφορία τους. Η εισαγωγική τιμολόγηση API είναι 2 δολάρια ανά εκατομμύριο tokens εισόδου και 10 δολάρια ανά εκατομμύριο tokens εξόδου έως τις 30 Νοεμβρίου 2026. Μετά από αυτή την ημερομηνία, η τιμή θα αυξηθεί στα 4 και 20 δολάρια αντίστοιχα.blog+1

Επισημάνσεις

Η κάρτα μοντέλου της Google αναφέρει ότι το Argon ενδέχεται να παρουσιάζει παραισθήσεις, όπως και άλλα θεμελιώδη μοντέλα. Όλα τα αποτελέσματα ρομποτικής μέχρι στιγμής προέρχονται από τις επιδείξεις της ίδιας της Google και όχι από ανεξάρτητες δοκιμές. Η Google πλαισιώνει το έργο ως ένα βήμα προς αυτό που αποκαλεί "φυσική τεχνητή γενική νοημοσύνη" (physical AGI), δηλώνοντας ότι στόχος της είναι "να καταστήσει δυνατή τη ρομποτική που μπορεί να εργάζεται δίπλα στους ανθρώπους για την επίλυση σύνθετων προκλήσεων".deepmind+1