Google заявила про «інтелектуальне» перевагу роботів з ШІ-моделлю Gemini 4 Argon над іншими

Представлена у вересні флагманська модель штучного інтелекту Google Gemini 4 Argon, яка виявилася призначеною не лише для людей, а й для роботів. Компанія заявила, що Gemini 4 Argon — це якісний стрибок у робототехніці, здатний прискорити прогрес на шляху до фізичного або втіленого штучного інтелекту загального призначення. Завдяки цій моделі роботи зможуть думати, навчатися та адаптуватися до завдань без значних витрат на навчання.

Джерело зображень: Google

Своє твердження компанія підтвердила результатами тестів у пакеті Embodied Reasoning (ERQA), який перевіряє здатність моделі розуміти та вирішувати фізичні й просторові задачі в тривимірних середовищах. При використанні чистого логічного висновку Argon набирає 87 %, випереджаючи всі інші передові моделі.

Важливо зазначити, що компанія поки що ніяк не пов'язала адаптацію Gemini 4 Argon або її компонентів до сфери ІІ-платформ для фізичного втілення. Нагадаємо, Google окремо розвиває дві моделі штучного інтелекту для робототехніки — Gemini Robotics 1.5 та Gemini Robotics-ER 1.5, які спільно реалізують підхід, при якому робот спочатку «обмірковує» задачу, а лише потім виконує дію.

Модель Gemini 4 Argon робить нещо подібне, але вона більш універсальна, якщо так можна висловитися, і включає в себе розуміння фізичних явищ і процесів, генерацію коду та візуально-семантичні міркування.

На думку розробників Google, Argon як універсальна модель фізичного мислення, або втіленого міркування (embodied reasoning), може застосовуватися на всіх етапах життєвого циклу робототехнічних систем. У своєму блозі представники компанії навели наочні приклади використання Argon у вигляді промптів для роботів у чотирьох ключових областях робототехніки: симуляції дій і їх втілення в реальності, навчанні на прикладах, розумінні обстановки та вдосконаленні навичок.

Першим прикладом стало управління роботом-собакою Spot від Boston Dynamics у пакеті MuJoCo без попереднього навчання. Argon зміг керувати чотириногим роботом, навчаючи його новому навику: натискати на педаль сміттєвого відра, щоб викидати в нього підняті з підлоги банки з-під газованих напоїв. Щоб відпрацювати цей рух, ШІ створює в MuJoCo цифровий двійник сміттєвого відра з педаллю і лише потім дозволяє роботу відтворити послідовність дій у реальності.

У процесі ШІ коригує дії робота, відстежуючи положення маніпулятора, банки та відкритого відра, а також допомагаючи роботу утримувати рівновагу на трьох кінцівках, поки четверта натискає на педаль.

В іншому експерименті Argon керує роботизованою рукою, щоб поставити перевернуту кружку вертикально і покласти всередину зім'яту серветку. Система використовує просторові координати та команди переміщення і захоплення, а після кожного етапу повторно аналізує зображення, коригуючи дії з урахуванням положення предметів. При цьому маніпулятор виконує всі дії без попереднього навчання (zero-shot control).

Ще одна технологія — Real2Sim, яка перетворює реальні сцени в фізичні симуляції. Argon аналізує відеозаписи, відновлює геометрію об'єктів і задає їх фізичні властивості: масу, рух за інерцією, тертя та поведінку при зіткненнях. Потім віртуальна сцена перевіряється на відповідність реальним зображенням з камер, а розрахункові взаємодії об'єктів співвідносяться з реальними. Цей же процес дозволяє перетворити грубий малюнок від руки — в даному прикладі робот збиває м'ячем пірамідку з кубиків — у повноцінну 3D-анімацію з реалістичною фізикою.

Підсумовуючи, можна сказати, що, на думку Google, Gemini 4 Argon є важливим етапом на шляху до створення загального штучного інтелекту, здатного діяти у фізичному світі. Нова модель ШІ об'єднує програмування, візуальне сприйняття, фізичне моделювання та управління реальними роботами. Розвиваючи цю модель, компанія прагне створювати робототехнічні рішення, які зможуть працювати спільно з людьми та допомагати їм вирішувати складні завдання.

Хочеш дізнатися більше — читай відгуки