Google DeepMindは、物理的理解、コード生成、視覚・意味推論において飛躍的な進歩を遂げたとするモデル「Gemini 4 Argon」を発表しました。同社は、このモデルがロボティクス全体にわたる新たなワークフローを切り開き、物理AGIへの進展を加速させるよう設計されていると述べています。
モデルの能力は、3D環境における物理的・空間的問題の理解と解決能力を測る身体性推論(ERQA)ベンチマークで評価されています。純粋な推論のみを用いたArgonは87%を記録し、他のすべてのフロンティアモデルを上回りました。DeepMindはこれを、ロボティクスのライフサイクル全体に適用できる汎用の物理推論モデルと位置づけています。
DeepMindの事例は、ロボット制御、Real2Sim、物理理解、研究と自己改善の4つの分野に分かれます。あるデモでは、Argonが6自由度のアームを備えたBoston Dynamics Spot四足歩行ロボットを制御し、新しいスキルを習得させています。Argonはフットペダル式のゴミ箱の関節付きMuJoCoデジタルツインを構築し、シミュレーション上で動作を練習した後、実物のペダルを踏んでゴミ箱にソーダ缶を入れます。
ゼロショット制御の例では、Argonが単純なロボットアームを操作し、倒れたマグカップを起こして、くしゃくしゃになったナプキンを中に入れさせます。視覚的な座標ハーネスと動作プリミティブを用いて、数ターンにわたる推論を行いながらタスクを完了させます。これらの事例は、タスク固有の訓練を最小限にとどめて、モデルがシミュレーションから実機へ移行できることを示しています。
出典: Google DeepMind Blog · 要約：HeadlinesBriefing