Google-მა Gemini 4 Argon და რობოტების წვრთნის დემო ვერსიები გამოუშვა

Google-მა გახსნა წვდომა Gemini 4 Argon-ზე, მის უახლეს მოწინავე AI მოდელზე. რობოტექნიკის დემო ვერსიებში მოდელი აკვირდებოდა ადამიანის მიერ გადაღებულ ჩვეულებრივ ვიდეოს, აგებდა მისგან ფიზიკურ სიმულაციებს და შემდეგ იყენებდა მათ რეალური რობოტების სამართავად. Google DeepMind აღწერს Argon-ს, როგორც "ზოგადი დანიშნულების ფიზიკური მსჯელობის მოდელს", რომელიც შეიძლება გამოყენებულ იქნას "რობოტექნიკის მთელი სასიცოცხლო ციკლის" განმავლობაში. 13 ოქტომბერს კომპანიამ ის ხელმისაწვდომი გახადა მთელ მსოფლიოში ფასიანი Gemini API-სა და Google AI-ის გამომწერებისთვის.developers.googleblog+2

რობოტექნიკის ჩვენება Alphabet-ის ↘ 1.68% Google-ის უფრო ფართო გაშვების ნაწილია. კომპანია Argon-ს ძირითადად პროგრამირების, კორპორატიული ცოდნის მუშაობისა და კიბერუსაფრთხოებისთვის სთავაზობს, მაგრამ ასევე აყენებს მოდელს, როგორც რობოტების წვრთნის გარემოს შექმნის ნელი პროცესის დაჩქარების საშუალებას.blog+1

ვიდეოდან სიმულაციამდე და აპარატურამდე

ერთ-ერთ შიდა ტესტში Argon-მა უყურა ადამიანის მიერ კორნჰოლის თამაშის ნედლ ვიდეოს, დაამუშავა სივრცე და გამოთვალა სხეულის სრული სახსრების მოძრაობები, რომლებიც საჭირო იყო სროლის გასამეორებლად. შემდეგ მან დამოუკიდებლად დაწერა სიმულაციის კოდი. მას შემდეგ, რაც უნარი გადაეცა Apptronik-ის ჰუმანოიდ Apollo-ს, რობოტმა "სწრაფად ჩააგდო შვიდი ზედიზედ გასროლა რეალურ ცდაში", განაცხადა Google-მა. კომპანია ამ მიდგომას "Video-to-Sim-to-Real"-ს უწოდებს. ის ამბობს, რომ ეს მილსადენი "კუმშავს ხელით სიმულაციური მოდელირების კვირებს რამდენიმე საათამდე", რაც ჩვეულებრივ ვიდეოს აქცევს "რობოტექნიკისთვის მასშტაბურ, უსასრულო საწვრთნელ მოედნად".blog

სხვა დემო ვერსიაში Argon-მა აკონტროლა Boston Dynamics-ის Spot-ის ოთხფეხა რობოტი ექვსი თავისუფლების ხარისხის მქონე მკლავით. მან ააგო ფეხის პედლიანი ნაგვის ურნას MuJoCo ციფრული ტყუპი და სიმულატორში სამ ფეხზე ბალანსირება ივარჯიშა. მხოლოდ ამის შემდეგ დაადგა რეალურმა რობოტმა ფეხი პედლს, შეამოწმა მაჯის კამერით, რომ ქილა ურნაზე ცენტრში იყო და სოდის ქილა შიგნით ჩააგდო. კანეშკა რაომ, Google-ის მთავარმა პროგრამულმა ინჟინერმა, აღწერა ეს და სხვა მაგალითები დეველოპერების ბლოგის პოსტში.developers.googleblog

მაგიდის ზედაპირის ერთი ფოტოდან დაწყებული, Argon-მა ასევე ააგო სიმულაცია, განსაზღვრა ახალი დავალებები და შექმნა 4500-ზე მეტი რანდომიზებული საწვრთნელი ეპიზოდი. Google-ის თანახმად, ამ მონაცემების გამოყენებამ ხედვა-ენის-მოქმედების მოდელის რეალურ სამყაროში წარმატების მაჩვენებელი 56%-დან 75%-მდე გაზარდა და დავალების შესრულების დრო 35-დან 24 წამამდე შეამცირა.developers.googleblog

შეფასებები და წვდომა

Google აცხადებს, რომ Argon-მა 87% დააგროვა Embodied Reasoning (ERQA) ტესტში, რომელიც ამოწმებს სივრცულ და ფიზიკურ პრობლემების გადაჭრას 3D გარემოში. კომპანია ამბობს, რომ ეს ქულა აღემატება ყველა სხვა მოწინავე მოდელს, რომელიც მან გამოსცადა, და რომ Argon-მა ამას მიაღწია "სუფთა მსჯელობის გამოყენებით" რობოტზე სპეციფიკური დარეგულირების გარეშე. Times of India-მ აღნიშნა, რომ Google-ის რობოტექნიკის მაგალითები მერყეობს Spot-ით მანიპულირებიდან Apollo-ს ჰუმანოიდებზე სროლის დავალებებამდე.timesofindia.indiatimes+2

Google-მა Argon პირველად 30 სექტემბერს დააანონსა. იმ ეტაპზე ის შემოიფარგლებოდა შემოწმებული კიბერ-დამცველებით კომპანიის Fairwind პროგრამის მეშვეობით, ხოლო Google მონაწილეობდა აშშ-ის მთავრობის ნებაყოფლობით პროცესში მოდელზე წინასწარი წვდომისთვის. API-ს საწყისი ფასებია 2 აშშ დოლარი მილიონ შემავალ ტოკენზე და 10 აშშ დოლარი მილიონ გამომავალ ტოკენზე 2026 წლის 30 ნოემბრამდე. ამის შემდეგ ფასი იზრდება 4 და 20 აშშ დოლარამდე.blog+1

გაფრთხილებები

Google-ის მოდელის ბარათში ნათქვამია, რომ Argon-ს კვლავ შეუძლია ჰალუცინაციები, ისევე როგორც სხვა საბაზისო მოდელებს. რობოტექნიკის ყველა შედეგი ჯერჯერობით მოდის Google-ის საკუთარი დემო ვერსიებიდან და არა დამოუკიდებელი ტესტირებიდან. Google ამ ნამუშევარს განიხილავს, როგორც ნაბიჯს იმისკენ, რასაც ის "ფიზიკურ AGI"-ს უწოდებს, და აცხადებს, რომ მისი მიზანია "რობოტექნიკის შესაძლებლობა, იმუშაოს ადამიანებთან ერთად რთული გამოწვევების გადასაჭრელად".deepmind+1