Google 发布 Gemini 4 Argon：统一机器人仿真、控制与评估全流程，迈向物理 AGI

凭借 Gemini 4 Argon，谷歌正在推出一个覆盖完整机器人流程的单一模型。它控制机器人、构建虚拟练习环境，并对训练视频进行评分。但示例提示词揭示了该模型在多大程度上仍然需要人工指导。

波士顿动力公司的 Spot 机器人本应将易拉罐投入脚踏式垃圾桶。在接触真实踏板之前，Gemini 4 Argon 会先构建垃圾桶的虚拟副本，让机器人在模拟环境中练习三足平衡。只有完成这一步后，它才会在真实硬件上尝试任务。在投放易拉罐前，还有两个额外的 AI 智能体负责验证脚部和夹爪的位置是否正确。

这正是谷歌演示其最新机器人任务模型能力的方式。Argon 旨在更好地把握空间关系、编写控制代码，并从物理角度解读视频。谷歌将该模型视为一种通用工具，涵盖从控制单个机器人到复现已发表研究的所有内容，并将其称为迈向“物理 AGI”（Physical AGI）的又一步——这是谷歌及其 AI 子公司 DeepMind 多年来一直追求的目标。

Gemini 4 Argon 控制 Spot 拾取易拉罐并通过踏板将其投入垃圾桶，此前已在 MuJoCo 仿真中练习过该序列。| 图片：Google

一张照片转化为数千次训练运行

Spot 机器人的演示遵循了谷歌许多示例中出现的模式：Argon 利用仿真来准备任务、验证任务或生成训练数据。仅凭一张带有派对道具的桌子照片，模型就构建了一个虚拟副本，其中包括一顶柔软的毛绒帽子。它生成了 77 个任务，从扶正倾倒的物体到清理桌面，并为控制模型生成了超过 4,500 个训练片段。在真实机器人上进行测试时，成功率从 56% 提升至 75%，执行时间从 35 秒缩短至 24 秒。

仅凭一张照片，Argon 就能生成超过 4,500 种不同的仿真场景，从而将真实机器人的成功率从 56% 提升至 75%。| 图片：Google

Argon 也能利用其他来源的数据。例如，基于一段遥操作机器人的录像，它可以构建一个在视觉外观和指尖受力读数上都与原始场景完全一致的仿真环境。而针对人类执行抓取任务的第一人称视角视频，该模型能将手部和手指的动作映射到一个拥有五指手的虚拟人形机器人上。

甚至一支圆珠笔的草图也能派上用场。其中一幅画描绘了一个人形机器人用球击倒一堆金字塔状摆放的箱子，Argon 将其转化为一个仿真场景，并计算出一种投掷动作，使机器人在保持自身平衡的同时击倒全部六个箱子。

仅凭简单的手绘草图，Argon 就能构建出一个仿真场景：人形机器人通过单次投掷击倒所有六个箱子，同时保持身体平衡。| 图片：Google

Video 5

Argon 指挥 AI 视频模型规划机器人动作

其中一个演示完全在 AI 生成的视频中进行。Gemini Omni 是一个视频世界模型，能够生成展示场景中发生事件后如何变化的片段，而 Argon 则扮演“导演”的角色。它编写带有时间戳的指令，描述手部应执行的动作，例如将 Scrabble（拼字游戏）方块滑到桌子中央。Gemini Omni 根据这些指令生成视频，随后 Argon 检查单个帧画面并调整下一条命令。目标是排列五个散落的字母方块以拼出“ARGON”，经过 33 个步骤后，它们被正确排序。

Argon 逐步指挥视频世界模型 Gemini Omni，直到机器人双手将字母整理成“ARGON”。| 图片：Google

在另一个使用简单机械臂的演示中，Argon 需要将一块乐高积木放入木盒中，并随着时间推移不断提升自身性能。当尝试失败时，提示词要求 Argon 回顾自身的日志和摄像头图像，找出原因，并在应用经过验证的修复方案后重试。第一次运行耗时略少于一分钟，第二次运行速度大幅提升，仅用时 23 秒，尽管积木碰到了盒子边缘。第三次尝试时，它在大约 17 秒后将积木准确放置在盒子正中央。

经过三次迭代，Argon 将机械臂的执行时间从 58.9 秒缩短至 17.4 秒，并在最后一次尝试中准确命中盒子中心。| 图片：Google

Google 还希望 Argon 服务于研究目的。针对每篇论文仅需一个提示词，它就能将已发表的机器人实验重建为可在浏览器中运行的交互式模拟环境。Google 表示，目前已构建了 68 个此类沙盒环境，包括机器人足球和在滑板上的仿人机器人。

Video 6 ERQA 基准测试（具身推理问答）旨在测试 AI 模型理解和解决 3D 环境中物理及空间问题的能力。该测试包含 400 个问题，且不提供任何辅助工具，因此模型必须完全依靠推理来解决所有问题。根据 Google 的数据，Argon 得分高达 87%，领先于所有其他前沿模型。亚军 Claude Opus 5.5 得分为 82.3%，落后约五个百分点。GPT-6 Astra 以 81% 紧随其后，而 Claude Fable 5.1 则以 74% 垫底，落后 13 个百分点。

在针对空间和物理推理的 ERQA 基准测试中，根据 Google 的数据，Gemini 4 Argon 领先 Claude Opus 5.5 约五个百分点。| 图片：Google

然而，Artificial Analysis 发布的 AA-Robotics 基准测试（比前者晚一天发布）则呈现出不同的结果。在该测试中，语言模型直接控制真实的机械臂完成八项任务，Argon 以 100 分中的 55 分位列第三，落后于 GPT-6 Astra（69 分）和 GPT-6.1 Sol（65 分）。

Argon 还能审查训练数据质量

除了控制机器人和构建仿真环境，Argon 还旨在评估训练数据。在一段时长略超两分钟的视频中，展示了一台双臂机器人折叠 origami fox（折纸狐狸）的过程，该模型将动作序列分解为子步骤，并标记出停顿和抓取失误的片段。这些片段在后续训练中的权重会被降低。在另一段人类分拣圆环的视频中，Argon 追踪了任务的进展、停滞或倒退情况。

Google 还展示了一个更具趣味性的用例，围绕一个经典称重谜题构建。在十二个外观相同的球中，有一个比其他球更重或更轻。Argon 利用两个机械臂和一个天平构建了一个仿真环境，仅通过摄像头图像读取天平的倾斜状态。它能在三次称重或更少的次数内找出那个异常球。

真正的脚手架存在于提示词中

Google 发布了演示的详细示例提示词，这让一些较为宏大的宣传说法回归理性。对于被描述为“零样本”（zero-shot）的扶正倒扣杯子任务，Argon 接收到的是一张带有厘米网格叠加层的摄像头图像，以及诸如“抓取”或“下放直至接触”等预置指令。对于仿真任务，则有一长串禁止列表，以防止模型走捷径，例如直接复制传感器测量值。Google 在博客文章中没有披露单个演示的失败率，而提到的 75% 成功率也未说明其基于多少次总尝试。

在没有先前训练的情况下，Argon 能够扶正翻倒的杯子并将餐巾塞入其中，这一过程由摄像头图像中的坐标网格引导。| 图片来源：Google

Argon 现已上线 Google AI Studio 和开发环境 Antigravity，但仅限 Google AI Ultra 订阅用户使用。开发者也可以通过付费层级的 Gemini API 访问该模型。

就在几天前，Google 刚刚在全球范围内发布了 Gemini 4 Argon。在机器人领域，该公司此前已推出 Gemini Robotics-ER 1.6，这是一款用于空间感知和任务规划的模型。在虚拟环境中进行训练也并非新鲜事：初创公司 World Labs 展示了如何将真实场景转化为虚拟训练世界，而 Nvidia 的 DreamDojo 则通过视频模拟机器人动作。Google 方法的独特之处在于其雄心壮志：试图用同一个模型同时处理仿真、控制和评估。