Robotika
Robotot vezérel és szimulációt épít a Google Gemini 4 Argon modellje
A Google a Gemini 4 Argont olyan általános célú modellként mutatja be, amely a robotfejlesztés szinte minden lépésébe beszállhat a vezérléstől a szimuláción át az adatgyártásig. A látványos demók és a rekordot jelentő tesztpontszám egyelőre kizárólag a cég saját közlésein alapulnak.
Spot a pedálos szemetes előtt
A leglátványosabb bemutatóban az Argon egy Boston Dynamics Spot robotot irányít. A négylábú gép lábai 12, a rászerelt kar pedig 6 szabadsági fokkal rendelkezik. A szabadsági fok (DoF) azt jelzi, hány független irányban vagy tengely mentén mozoghat egy szerkezet, így minél több van belőle, annál összetettebb a vezérlés. A feladat hétköznapinak tűnik, a robot számára mégis nehéz: egy pedálos szemetest kell használnia, vagyis a lábával kell lenyomnia a pedált, miközben a karjával dolgozik.
A modell ezt nem a valódi robottal kezdte gyakorolni, hanem egy MuJoCo-alapú digitális ikerben, azaz a robot és a környezet virtuális másában. A szimulációban több mint 4500 úgynevezett domain-randomizált epizódot gyűjtött. Ez a módszer szándékosan változtatja a virtuális környezet tulajdonságait, hogy a megtanult viselkedés a valóság kiszámíthatatlanságát is jobban bírja. A Google szerint ennek hatására a valódi robot sikeraránya 56-ról 75 százalékra nőtt, a feladat elvégzésének ideje pedig 35-ről 24 másodpercre csökkent. Arról viszont nincs információ, hány próbálkozásból számolták ezeket az arányokat.
Vázlatból szimuláció, videóból tanítóadat
Az Argon a cég szerint kézzel rajzolt vázlatból is képes szimulációs jelenetet felépíteni, mégpedig a mujoco_warp környezetben. Az egyik demóban egy 76 szabadsági fokú humanoid figura dobómozgását szintetizálta, majd a szimulációban igazolta, hogy a dobással mind a hat dobozt ledönti. Ha ez a képesség a gyakorlatban is megbízható, a mérnököknek kevesebb időt kellene a virtuális tesztkörnyezetek kézi összerakásával tölteniük.
A harmadik terület az adatkészítés. Egy 136 másodperces videóhoz, amelyen egy ALOHA 2 robotkarpár origamit hajtogat, a modell négyszintű annotációt, vagyis címkézést készített: egy átfogó célt, hat részfeladatot, 17 atomi mozdulatot és egy minőségellenőrzést. Az ilyen részletesen felbontott leírás azért értékes, mert a robotokat tanító rendszereknek rengeteg pontosan felcímkézett példára van szükségük, ezek kézi előállítása pedig lassú és drága.
Elérhetőség és nyitott kérdések
A modell a Google AI Studióban és a Google Antigravityben érhető el a Google AI Ultra előfizetőknek, valamint a Gemini API fizetős szintjén, ahol az Interactions API-ban a gemini-4-argon azonosítóval hívható. Hogy az API-használat mennyibe kerül, és pontosan mit takar az Interactions API, azt a bejelentés nem részletezi. A bejelentés dátuma sem szerepel a rendelkezésre álló szövegben.
A Google DeepMind a Gemini Robotics vonalon régóta a fizikai mesterséges intelligenciát, vagyis a testtel rendelkező, valós környezetben cselekvő rendszerek következtetési képességét fejleszti. Az Argont a cég a „fizikai általános mesterséges intelligencia” felé vezető lépésként pozicionálja. A bejelentés azonban erősen demóközpontú, a bemutatott jelenetek válogatottak lehetnek, és az sem ismert, mely modellekkel vetették össze az ERQA-eredményt. Hogy az Argon valóban áttörést hoz-e a robotikában, azt független tesztek és a fejlesztők gyakorlati tapasztalatai döntik majd el.