谷歌想让Gemini 4 Argon成为机器人唯一需要的AI模型

“谷歌把机器人开发中的仿真、控制与评估压进了同一个模型。

10 月 14日，Google DeepMind正式上线通用物理推理模型Gemini 4 Argon。官方还发布了一篇机器人专题博客，称这一个模型就能包办机器人控制、虚拟演练环境搭建、训练数据质检和论文实验复现四件事。

他们在 X 平台公布了一段与 Apptronik Apollo 人形机器人的合作演示。团队先让 Gemini 4 Argon观看一段"将沙包掷进洞口"的示范视频，再由它指导 Apollo 反复练习和模拟该动作。机器人在不断试错与调整中改进表现，最终连续 7 次投中目标。

演示任务还包括让一台波士顿动力 Spot 机器人把饮料罐投进脚踏式垃圾桶。在真正踩下踏板之前，Gemini 4 Argon 先构建出垃圾桶的虚拟副本，机器人在仿真环境中练习如何用三条腿保持平衡；之后才在真实硬件上尝试这项任务。在松开罐子之前，另外两个 AI 智能体会确认机器人的足部和夹爪位置是否正确。

Argon 的设计目标是更好地理解空间关系、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个通用工具，其用途从控制单台机器人一直延伸到复现已发表的研究成果，并称之为迈向"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捡起饮料罐，并通过踩踏板的方式将其投入垃圾桶；在此之前，该动作序列已在 MuJoCo 仿真中演练过。

01.

一张照片，变成数千次训练

Spot 的演示遵循了谷歌多个案例中反复出现的模式：Argon 利用仿真来准备任务、验证任务，或生成训练数据。仅凭一张摆着派对道具的桌子的照片，模型就构建出了一个虚拟副本，其中包括一顶柔软的毛绒帽子。它自行提出了 77 项任务，从扶正倒下的物体到清空桌面，并为一个控制模型生成了4500 多个训练片段（episode）。在真实机器人上测试时，成功率从 56% 提升到 75%，执行时间从 35 秒降至 24 秒。

仅凭一张照片，Argon 生成了 4500 多个多样化的仿真片段，使真实机器人的成功率从 56% 提升至 75%。｜图片：谷歌

Argon 也能从其他来源入手。根据一段遥操作机器人的录像，它可以构建出一个仿真环境，不仅在外观上力求一致，还要复现指尖处相同的受力读数。根据一段人类完成抓取任务的第一人称视频，模型能把手部和手指的动作映射到一个配有五指手的虚拟人形机器人上。

哪怕只是一张圆珠笔草图也行。在演示中，一张画描绘了人形机器人用球撞倒金字塔形堆叠的箱子，Argon 据此生成了仿真，并计算出一套投掷动作，在机器人不摔倒的前提下把全部六个箱子撞倒。

仅凭一张简单的手绘草图，Argon 就构建出仿真：人形机器人一次投掷撞倒全部六个箱子，同时保持平衡。

02.

Argon指挥AI视频模型规划机器人动作

有一项演示完全在 AI 生成的视频中进行。Gemini Omni 是一个视频世界模型，能够生成片段来展示场景中发生某件事后会如何变化，而Argon 在其中扮演"导演"。它会按时间顺序逐条写出指令，标明机器手在哪一刻该做什么，比如把一块 Scrabble（拼字游戏）字母牌推到桌子中央。Gemini Omni 依据这些指令生成视频，Argon 随后检查单帧画面并调整下一条指令。目标是把五块散落的字母牌排列成"ARGON"，经过 33 步后，它们排到了正确顺序。

Argon 一步步指挥视频世界模型 Gemini Omni，直到机器手把字母牌排成 ARGON。｜图片：谷歌

另一项演示使用了一条结构简单的机械臂，Argon 需要把一块乐高积木放进木盒，并随时间推移改进自身表现。当尝试失败时，提示词要求 Argon 回看自己的日志和摄像头图像，找出原因，在采用经过验证的修正方案后重试。第一轮耗时略低于 1 分钟；第二轮快得多，为 23 秒，但积木碰到了盒子边缘。第三次尝试中，它用约 17 秒把积木准确放在了正中央。

三轮迭代中，Argon 将机械臂的执行时间从 58.9 秒缩短到 17.4 秒，并在最后一次命中盒子中心。｜图片：谷歌

谷歌还希望 Argon 服务于研究。每篇论文只需给出一条提示词，它就能把已发表的机器人实验复现为可在浏览器中运行的交互式仿真。谷歌称，目前已构建出68 个这样的沙盒环境，包括机器人足球和踩滑板的人形机器人。

ERQA 基准测试（Embodied Reasoning Question Answering，具身推理问答）用于检验 AI 模型在 3D 环境中理解并解决物理与空间问题的能力。该测试使用 400 道题目，且不提供任何辅助工具，模型必须完全靠推理作答。据谷歌给出的数据，Argon 得分 87%，领先于其他所有前沿模型。第二名 Claude Opus 5.5 为 82.3%，落后约 5 个百分点；GPT-6 Astra 以 81% 紧随其后；Claude Fable 5.1 为 74%，落后 13 个百分点。

据谷歌数据，在面向空间与物理推理的 ERQA 基准上，Gemini 4 Argon 领先 Claude Opus 5.5 约 5 个百分点。｜图片：谷歌

不过，Artificial Analysis 在一天后发布的 AA-Robotics 基准给出了另一番结果。在该测试中，语言模型直接控制一条真实机械臂完成八项任务，Argon 以 100 分制中的 55 分位列第三，落后于 GPT-6 Astra（69 分）和 GPT-6.1 Sol（65 分）。

03.

Argon还能审查训练数据质量

除了控制机器人和搭建仿真，Argon 还被用于评估训练数据。在一段略长于两分钟、展示双臂机器人折纸狐狸的视频中，模型把整个流程拆解为子步骤，并标出停顿和失败的抓取动作。这些片段随后在训练中被降低权重。在另一段人类分拣套环的视频里，Argon 梳理出任务在何处推进、何处停滞、何处出现倒退。

谷歌还展示了一个更具趣味性的用例，取材于经典的天平称重谜题：十二个外观相同的球中，有一个比其余的重或轻。Argon 构建了一个带两条机械臂和一台天平的仿真，仅凭摄像头图像读取天平的倾斜情况，并能在不超过三次称重内找出那个异常的球。

04.

真正的"脚手架"藏在提示词里

谷歌公开了这些演示所用的详细示例提示词，它们为其中一些较大的说法提供了更客观的参照。以被称为"零样本"（zero-shot）的扶正倒置杯子任务为例，Argon 实际收到的是一张叠加了厘米网格的摄像头图像，以及诸如"抓取"（grasp）、"下降至接触"（lower until contact）等预先写好的指令。对于仿真任务，提示词中还列有长长的禁止事项清单，以防模型走捷径取巧，例如直接照抄测得的传感器数值。谷歌在博客文章中没有公布各项演示的失败率，而那个 75% 的成功率也未说明是基于多少次尝试得出的。

无需事先训练，Argon 在摄像头图像中坐标网格的引导下扶正了倒下的杯子，并把一张餐巾塞了进去。｜图片：谷歌

Argon 现已在 Google AI Studio 和开发环境 Antigravity 中上线，但仅面向 Google AI Ultra 订阅用户。开发者也可以通过 Gemini API 的付费档位调用该模型。

就在近日，谷歌在全球范围内发布了 Gemini 4 Argon。在机器人方向，该公司此前已推出用于空间感知与任务规划的Gemini Robotics-ER 1.6。在虚拟环境中训练也并非新事：初创公司 World Labs 曾展示如何把真实场景转化为虚拟训练世界，而英伟达的DreamDojo则以视频形式模拟机器人动作。谷歌这套方案的不同之处在于其野心——用同一个模型同时承担仿真、控制与评估。