ロボティクス向けGemini 4 Argonリリースノート

Gemini 4 Argonは、ロボティクスにおける物理的理解、コード生成、および視覚的・意味的推論の大きな進歩を象徴するモデルです。3Dジオメトリ、接触力学、マルチビュービデオをネイティブに推論できるようにすることで、Argonは初期のシミュレーションからハードウェアへのデプロイまで、ロボティクスのライフサイクル全体を管理するためのフレームワークを提供します。このモデルはEmbodied Reasoning (ERQA) ベンチマークで87%のスコアを達成し、物理的・空間的な問題を解決する能力において既存のフロンティアモデルを凌駕しています。

ロボット制御における主要機能

Argonは、Boston Dynamics Spotのような四足歩行ロボットや様々なロボットアームなど、多様なロボットハードウェアに適用可能な汎用推論エンジンとして機能します。主な制御ワークフローは以下の通りです。

• ゼロショット制御: このモデルは、視覚的な座標ハーネスとアクションプリミティブを使用して、キャリブレーションされたリストカメラのフィードに基づき、物体の向きを変えたりアイテムを配置したりするタスクを実行します。
• オムニ制御: Gemini Omni World Model内でロボットを操縦することにより、Argonは反復的な視覚フィードバックループを可能にし、リアルタイムの視覚検査に基づいて物体を再配置するような複雑な多段階操作タスクを実現します。
• シミュレーション統合: Argonは、ロボットのカメラフィード、人間の主観視点ビデオ、さらには手描きのスケッチなど、様々な入力から関節を持つMuJoCoデジタルツインを作成できます。これにより、ロボットは物理ハードウェアで実行する前にシミュレーション内でタスクを「練習」することが可能になります。

研究と自己改善

Argonは、自律的な研究と反復的な自己改善を促進するように設計されています。シミュレーション内でドメインランダム化されたエピソードを生成することで、このモデルは物理ハードウェア上でのVision-Language-Action (VLA) モデルの成功率を向上させることができます。また、ユーザーはArgonを活用して、物理モデルやコントローラーを自己完結型のMuJoCo WebAssemblyブラウザラボに移植することで、複雑なロボティクス論文の再現を自動化することも可能です。

コミュニティの知見と実用的なアプリケーション

初期の導入者や開発者は、以前のバージョンと比較して、このモデルの安全性と空間認識能力が向上していると指摘しています。

• 安全性とナビゲーション: コンシューマーグレードの人型ハードウェアでArgonをテストしているユーザーからは、このモデルが環境内を移動する際に慎重に振る舞い、家具や表面との衝突を効果的に回避しているという報告が寄せられています。
• 開発パイプライン: 開発者は、高レベルのLLM推論と低レベルのロボット動作の間のギャップを埋めるためにArgonを活用しています。あるユーザーは、「Argon 4は壁や他の物体への衝突を避けるために多くの予防措置を講じている！」と、以前のモデルと比較して評価しています。
• 制限事項と今後の展望: 一部の観察者は、推論能力は非常に優れているものの、現在の計算負荷の高い実装と、モバイルでバッテリー駆動のロボティクスに求められる要件との間には依然としてギャップがあると指摘しています。議論によれば、有線電源から独立して動作するコンシューマーグレードのモバイルロボットにこのレベルの知能を搭載するには、まだ数年かかる可能性があるとされています。

はじめに

Gemini 4 Argonは現在、Googleの開発者プラットフォームを通じて利用可能です。

• Google AI Studio: Google AI Ultraサブスクライバーが利用可能。
• Gemini API: Gemini APIの有料ティアを通じてアクセス可能。google-genai SDKにおける gemini-4-argon モデルをサポート。
• Google Antigravity: マルチエージェントのオーケストレーションや複雑な計画タスクのために、Google AI Ultraサブスクライバーが利用可能。