Google-ը թողարկել է Gemini 4 Argon-ը՝ ռոբոտների ուսուցման ցուցադրություններով

Google-ը բացել է հասանելիությունը Gemini 4 Argon-ի՝ իր ամենանոր առաջատար AI մոդելի համար: Ռոբոտաշինության ցուցադրություններում մոդելը դիտել է մարդու սովորական տեսանյութեր, դրանց հիման վրա կառուցել ֆիզիկական սիմուլյացիաներ, այնուհետև օգտագործել դրանք իրական ռոբոտներին կառավարելու համար: Google DeepMind-ը Argon-ը նկարագրում է որպես «ընդհանուր նշանակության ֆիզիկական տրամաբանության մոդել», որը կարող է օգտագործվել «ռոբոտաշինության ողջ կենսացիկլի» ընթացքում: Հոկտեմբերի 13-ին ընկերությունն այն հասանելի դարձրեց ամբողջ աշխարհում վճարովի Gemini API-ի և Google AI-ի բաժանորդների համար:developers.googleblog+2

Ռոբոտաշինության այս ցուցադրությունը Alphabet-ի ↘ 0.32% Google-ի ավելի լայն գործարկման մի մասն է: Ընկերությունը Argon-ը հիմնականում առաջարկում է ծրագրավորման, կորպորատիվ գիտելիքների կառավարման և կիբերանվտանգության համար, սակայն այն նաև դիրքավորում է մոդելը որպես ռոբոտների ուսուցման միջավայրեր ստեղծելու դանդաղ աշխատանքն արագացնելու միջոց:blog+1

Տեսանյութից դեպի սիմուլյացիա և սարքավորում

Ներքին թեստերից մեկում Argon-ը դիտել է մարդու՝ cornhole խաղալու հում տեսանյութը, քարտեզագրել տարածությունը և հաշվարկել մարմնի համատեղ շարժումները, որոնք անհրաժեշտ են նետումը կրկնօրինակելու համար: Այնուհետև այն ինքնուրույն գրել է սիմուլյացիայի կոդը: Հմտությունը Apptronik-ի Apollo մարդանման ռոբոտին փոխանցելուց հետո ռոբոտը «իրական փորձարկման ժամանակ արագորեն կատարեց յոթ հաջորդական նետում», հայտնում է Google-ը: Ընկերությունն այս մոտեցումն անվանում է «Video-to-Sim-to-Real»: Այն նշում է, որ այս խողովակաշարը «շաբաթներ տևող ձեռքով սիմուլյացիոն մոդելավորումը սեղմում է մի քանի ժամվա մեջ»՝ սովորական տեսանյութը վերածելով «ռոբոտաշինության համար մասշտաբային, անվերջ ուսումնական հարթակի»:blog

Մեկ այլ ցուցադրության ժամանակ Argon-ը կառավարել է Boston Dynamics-ի Spot քառոտանի ռոբոտը՝ վեց աստիճանի ազատության թևով: Այն կառուցել է ոտնակով աղբամանի MuJoCo թվային երկվորյակը և սիմուլյատորում փորձարկել երեք ոտքի վրա հավասարակշռությունը: Միայն դրանից հետո իրական ռոբոտը սեղմել է ոտնակը, դաստակի տեսախցիկով ստուգել, որ տուփը կենտրոնացված է աղբամանի վրա, և գցել գազավորված ըմպելիքի տուփը ներս: Google-ի ծրագրային ապահովման գլխավոր ինժեներ Կանիշկա Ռաոն այս և այլ օրինակներ նկարագրել է ծրագրավորողների բլոգում:developers.googleblog

Սեղանի մեկ լուսանկարից սկսած՝ Argon-ը նաև կառուցել է սիմուլյացիա, սահմանել նոր առաջադրանքներ և ստեղծել ավելի քան 4500 պատահական ուսումնական դրվագ: Google-ի տվյալներով՝ այդ տվյալների օգտագործումը տեսողական-լեզվական-գործողության մոդելի իրական աշխարհում հաջողության մակարդակը 56%-ից հասցրել է 75%-ի և առաջադրանքի կատարման ժամանակը կրճատել 35-ից 24 վայրկյանի:developers.googleblog

Չափանիշներ և հասանելիություն

Google-ը հայտնում է, որ Argon-ը 87% է հավաքել Embodied Reasoning (ERQA) չափանիշով, որը ստուգում է տարածական և ֆիզիկական խնդիրների լուծումը 3D միջավայրերում: Ընկերությունը պնդում է, որ այդ ցուցանիշը գերազանցում է իր փորձարկած ցանկացած այլ առաջատար մոդելի, և որ Argon-ը դրան հասել է «մաքուր տրամաբանության» միջոցով՝ առանց ռոբոտի համար հատուկ կարգավորումների: The Times of India-ն նշել է, որ Google-ի ռոբոտաշինության օրինակները տատանվում են Spot-ի հետ մանիպուլյացիաներից մինչև Apollo մարդանման ռոբոտների նետման առաջադրանքներ:timesofindia.indiatimes+2

Google-ն առաջին անգամ Argon-ի մասին հայտարարեց սեպտեմբերի 30-ին: Այդ փուլում այն սահմանափակված էր կիբերպաշտպաններով՝ ընկերության Fairwind ծրագրի միջոցով, մինչ Google-ը մասնակցում էր ԱՄՆ կառավարության կամավոր գործընթացին՝ մոդելի նախնական թողարկման հասանելիության համար: API-ի ներածական գինը կազմում է 2 դոլար մեկ միլիոն մուտքային թոքենի համար և 10 դոլար մեկ միլիոն ելքային թոքենի համար մինչև 2026 թվականի նոյեմբերի 30-ը: Դրանից հետո գինը կբարձրանա մինչև 4 և 20 դոլար:blog+1

Նախազգուշացումներ

Google-ի մոդելի քարտում նշվում է, որ Argon-ը դեռ կարող է հալյուցինացիաներ ունենալ, ինչպես հիմնադրամային այլ մոդելները: Ռոբոտաշինության բոլոր արդյունքները առայժմ ստացվել են Google-ի սեփական ցուցադրություններից, այլ ոչ թե անկախ փորձարկումներից: Google-ը այս աշխատանքը ներկայացնում է որպես քայլ դեպի այն, ինչն անվանում է «ֆիզիկական AGI»՝ նշելով, որ իր նպատակն է «հնարավորություն տալ ռոբոտներին, որոնք կարող են աշխատել մարդկանց կողքին՝ բարդ մարտահրավերները լուծելու համար»:deepmind+1