Gemini 4 Argon for Robotics：物理的AGIを加速させるマルチモーダル汎用推論モデルの全貌
3次元空間認識とエンボディド推論の革新
「Gemini 4 Argon」は、物理的理解、コード生成、そして視覚的・意味的推論において飛躍的な進化を遂げた汎用物理推論モデルである。ロボット工学の全ライフサイクルにわたって応用可能であり、3D環境における物理的・空間的問題の解決能力を測る「Embodied Reasoning (ERQA) ベンチマーク」では、純粋な推論能力のみで**87%**というスコアを叩き出し、他のフロンティアモデルを圧倒している。
本モデルは、単なる視覚認識にとどまらず、マルチビュー映像、3D幾何学、接触力学、および固有受容感覚（プロプリオセプション）のデータをネイティブに処理する。これにより、ロボットアームのゼロショット制御や、四足歩行ロボット（Boston Dynamics Spot等）によるペダル式ゴミ箱の操作といった複雑なモビリティ制御を統合的に実現する。
Real2SimとマルチモーダルHindsightラベリング
ロボット開発の最大のボトルネックの一つであるシミュレーション環境の構築（Real2Sim）において、Gemini 4 Argonは画期的なワークフローを提供する。ロボットカメラのフィードバック、人間の視点によるエゴセントリック動画、さらには手描きの紙芝居的なスケッチから、物理的に校正されたシミュレーションツイン（MuJoCoシーン）を自動構築することが可能である。
- スケッチからのシミュレーション生成: 手描きのラフスケッチを読み込ませるだけで、空間レイアウトを解析し、76自由度の全身および5本指の器用なハンドを持つヒューマノイドの投擲軌道を合成、GPUアクセラレーテッドな
mujoco_warp環境上で物理検証を完結させる。 - マルチ粒度ヒindsight（後知恵）ラベリング: 長時間のマニピュレーション動画から、エピソードのゴール（G1）、意味的サブタスク（G2）、接触レベルのアトミックプリミティブ（G3）へと至る4階層の時間同期アノテーションを自動生成し、失敗試行の再重み付け（Behavior Cloning向けの品質管理）を自律的に行う。
開発者・エンジニア視点での考察
-
コード・アス・ポリシー（Code-as-Policies）とビジュアル座標ハーネスの融合: 開発者は、単に抽象的な指示を与えるだけでなく、2cmグリッドのワールド座標や把持レティクルが投影された
wrist_cam.pngを用いた閉ループ制御（curlコマンドによるAPI経由のプランニング）をモデルに直接実行させることができる。これにより、視覚サーボ制御の粒度（粗いアプローチから高精度な微調整まで）をターンごとに動的制御する堅牢なループが構築可能となる。 -
ビデオワールドモデル（Gemini Omni）との統合によるステアリング: 静的なプロンプトに依存せず、ビデオワールドモデルの生成途中のキーフレームを視覚的に検査しながら、タイムスタンプ付きのアクションプロンプトを逐次修正・フィードバックする「反復的ビデオワールドモデルステアリング」が実用化されている点に注目すべきである。これにより、複雑な多段階タスクの軌道生成精度が劇的に向上する。
-
シミュレーション内での自己改善（Self-Improvement）による実機性能の飛躍: 単一の現実空間の卓上写真から数千のエピソードをドメインランダム化しつつシミュレーション内で生成・検証するループを回すことで、VLAモデルをファインチューニングし、実世界の成功率（例：56%から75%への向上）とタスク完了時間を同時に最適化する強力なパイプラインが確立されている。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
