Google julkaisi Gemini 4 Argonin ja robotiikan koulutusdemoja

Google on avannut pääsyn uusimpaan tekoälymalliinsa, Gemini 4 Argoniin. Robotiikkademoissa malli seurasi tavallista videota ihmisen toiminnasta, loi sen pohjalta fysiikkasimulaatioita ja käytti niitä todellisten robottien ohjaamiseen. Google DeepMind kuvailee Argonin olevan yleiskäyttöinen fyysisen päättelyn malli, jota voidaan hyödyntää koko robotiikan elinkaaren ajan. Yhtiö toi mallin maailmanlaajuisesti saataville 13. lokakuuta maksullisen Gemini API:n kautta sekä Google AI -tilaajille.developers.googleblog+2

Robotiikkaesittely on osa Alphabetin ↘ 2.32% Googlen laajempaa julkaisua. Yhtiö markkinoi Argonin ensisijaisesti koodaukseen, yritystiedon hallintaan ja kyberturvallisuuteen, mutta se asemoi mallia myös keinona nopeuttaa robottien koulutusympäristöjen hidasta rakennusprosessia.blog+1

Videosta simulaatioon ja laitteistoon

Eräässä sisäisessä testissä Argon seurasi raakavideota ihmisestä pelaamassa cornhole-peliä, hahmotti tilan ja laski tarvittavat koko kehon nivelten liikkeet heiton kopioimiseksi. Tämän jälkeen se kirjoitti simulaatiokoodin itse. Kun taito siirrettiin Apptronikin Apollo-humanoidille, robotti upotti seitsemän heittoa peräkkäin todellisessa kokeessa, Google kertoi. Yhtiö kutsuu tätä lähestymistapaa nimellä Video-to-Sim-to-Real. Sen mukaan prosessi tiivistää viikkojen manuaalisen simulaatiomallinnuksen muutamaan tuntiin ja muuttaa tavallisen videon skaalautuvaksi, loputtomaksi koulutuskentäksi robotiikalle.blog

Toisessa demossa Argon ohjasi Boston Dynamicsin Spot-nelijalkarobottia, jossa oli kuuden vapausasteen varsi. Se rakensi MuJoCo-digitaalikaksosen polkimella avattavasta roskakorista ja harjoitteli kolmella jalalla tasapainottelua simulaattorissa. Vasta sitten todellinen robotti astui polkimelle, tarkisti ranteensa kameralla tölkin keskityksen ja pudotti limsatölkin sisään. Googlen ohjelmistosuunnittelija Kanishka Rao kuvaili tätä ja muita esimerkkejä kehittäjäblogissaan.developers.googleblog

Aloittamalla yhdestä pöydän pinnasta otetusta valokuvasta Argon rakensi simulaation, määritteli uusia tehtäviä ja loi yli 4 500 satunnaistettua koulutusjaksoa. Googlen mukaan datan käyttö nosti näkö-kieli-toimintamallin onnistumisprosenttia 56 prosentista 75 prosenttiin ja lyhensi tehtävän suoritusaikaa 35 sekunnista 24 sekuntiin.developers.googleblog

Vertailutestit ja saatavuus

Googlen mukaan Argon sai 87 prosentin tuloksen Embodied Reasoning (ERQA) -vertailutestissä, joka mittaa tilallista ja fyysistä ongelmanratkaisua 3D-ympäristöissä. Yhtiön mukaan tulos voittaa kaikki muut testatut huippumallit, ja Argon saavutti sen puhtaalla päättelyllä ilman robottikohtaista hienosäätöä. The Times of India huomautti, että Googlen robotiikkaesimerkit vaihtelevat Spotin suorittamasta käsittelystä Apollo-humanoidien heittotehtäviin.timesofindia.indiatimes+2

Google julkisti Argonin ensimmäisen kerran 30. syyskuuta. Tuolloin se oli rajoitettu vain tarkastetuille kyberturvallisuuden ammattilaisille yhtiön Fairwind-ohjelman kautta, samalla kun Google osallistui Yhdysvaltain hallituksen vapaaehtoiseen prosessiin mallien esijulkaisun valvonnasta. API:n esittelyhinta on 2 dollaria miljoonaa syötetokenia kohden ja 10 dollaria miljoonaa tulostetokenia kohden 30. marraskuuta 2026 asti. Sen jälkeen hinta nousee 4 ja 20 dollariin.blog+1

Huomioita

Googlen mallikortin mukaan Argon voi yhä hallusinoida, kuten muutkin perustavanlaatuiset mallit. Kaikki robotiikkatulokset ovat toistaiseksi peräisin Googlen omista demoista, eivät riippumattomista testeistä. Google kehystää työn askeleena kohti niin kutsuttua fyysistä tekoälyä (AGI) ja sanoo tavoitteenaan olevan robotiikan mahdollistaminen, joka voi työskennellä ihmisten rinnalla monimutkaisten haasteiden ratkaisemiseksi.deepmind+1