גוגל מציגה את Gemini 4 Argon: מודל אחד ששולט ברובוטים, בונה להם סימולציות ומדרג את האימון

גוגל מציגה את Gemini 4 Argon כמודל AI יחיד לכל שלבי העבודה עם רובוטים. לפי דיווח של The Decoder, המודל שולט ברובוטים, בונה עולמות וירטואליים שבהם הם מתאמנים ומדרג סרטוני אימון. גוגל מגדירה אותו כצעד נוסף לעבר "physical AGI", כלומר בינה מלאכותית כללית שפועלת בעולם הפיזי. היא וחברת הבת שלה DeepMind עובדות על המטרה הזו כבר שנים. ההדגמות עצמן מראות שהמודל עדיין זקוק להרבה הכוונה מבני אדם.

מתמונה אחת לאלפי אימונים

באחת ההדגמות, רובוט Spot של Boston Dynamics צריך לזרוק פחיות לפח שנפתח בדוושת רגל. לפני שהוא נוגע בדוושה האמיתית, Argon בונה עותק וירטואלי של הפח בסימולטור MuJoCo, והרובוט מתאמן שם על שיווי משקל על שלוש רגליים. רק אחר כך הוא מנסה את המשימה על החומרה האמיתית. לפני שהפחית נזרקת, שני סוכני AI נוספים בודקים שהרגל והתפסנית נמצאות במקום הנכון.

הדפוס הזה חוזר ברוב ההדגמות: סימולציה שמכינה את המשימה, בודקת אותה או מייצרת נתוני אימון. מתמונה אחת של שולחן עם אביזרי מסיבה, Argon בנה העתק וירטואלי שכלל גם כובע פרווה רך. הוא הגה 77 משימות, למשל הרמת חפצים שנפלו ופינוי השולחן, ויצר יותר מ-4,500 אפיזודות אימון למודל בקרה. לפי הדיווח, בבדיקה על הרובוט האמיתי שיעור ההצלחה עלה מ-56% ל-75%, וזמן הביצוע ירד מ-35 ל-24 שניות.

המודל יודע לעבוד גם ממקורות אחרים:

• הקלטה של רובוט בשליטה מרחוק (teleoperation): Argon בונה ממנה סימולציה שנראית אותו דבר ומשחזרת את מדידות הכוח בקצות האצבעות.
• סרטון בגוף ראשון של אדם שאוחז בחפץ: תנועות היד והאצבעות מועברות לרובוט דמוי-אדם וירטואלי עם חמש אצבעות בכל יד.
• שרטוט בעט כדורי: מציור של רובוט דמוי-אדם שמפיל פירמידת קופסאות בעזרת כדור, המודל בנה סימולציה וחישב תנועת זריקה שמפילה את כל שש הקופסאות בלי שהרובוט ייפול.

במאי למודל וידאו

הדגמה אחרת מתרחשת כולה בתוך וידאו שנוצר ב-AI. Gemini Omni הוא "world model" לווידאו, כלומר מודל שמייצר קטעים שמראים איך סצנה משתנה כשמשהו קורה בה. Argon משמש לו כבמאי: הוא כותב הוראות עם חותמות זמן למה שהידיים צריכות לעשות, בודק פריימים מהווידאו שנוצר ומתקן את הפקודה הבאה. המטרה הייתה לסדר חמש אותיות Scrabble מפוזרות כך שירכיבו את המילה "ARGON". זה הצליח אחרי 33 צעדים.

בהדגמה עם זרוע רובוטית פשוטה, Argon היה צריך להכניס לבנת לגו לקופסת עץ ולשפר את עצמו מניסיון לניסיון. הפרומפט הורה לו לעבור על הלוגים ועל תמונות המצלמה, למצוא את סיבת הכישלון ולנסות שוב רק אחרי תיקון מאומת. הניסיון הראשון ארך 58.9 שניות. השני ארך 23 שניות, אבל הלבנה נתקעה בשפת הקופסה. בניסיון השלישי, אחרי כ-17.4 שניות, היא נחתה בדיוק במרכז.

גוגל רוצה שהמודל ישרת גם מחקר. מפרומפט אחד לכל מאמר, Argon משחזר ניסויי רובוטיקה שפורסמו בתור סימולציות אינטראקטיביות שרצות בדפדפן. לדברי החברה, נבנו עד כה 68 סביבות כאלה. המודל זמין דרך תוכניות הגישה בתשלום של גוגל למפתחים.

למה זה חשוב

אחד החסמים הגדולים ברובוטיקה הוא מחסור בנתוני אימון. איסוף נתונים בעולם האמיתי איטי, יקר ולפעמים מסוכן. אם אפשר לייצר אלפי תרחישי אימון מתמונה או משרטוט, ייתכן שזמן הפיתוח יתקצר משמעותית, והקפיצה מ-56% ל-75% בהדגמת השולחן היא דוגמה לכך. מודל אחד במקום כמה כלים נפרדים גם עשוי לפשט את העבודה של צוותי פיתוח.

עם זאת, את התוצאות צריך לקרוא בזהירות. אלה הדגמות שגוגל עצמה בחרה להציג, והפרומפטים שפורסמו מפורטים מאוד. המשמעות ככל הנראה היא שבשלב הזה Argon מתפקד יותר ככלי שמאיץ את עבודתם של מהנדסי רובוטיקה מאשר כמערכת שמסתדרת לבד. המרחק מ"physical AGI" עדיין נראה גדול.