概要
GoogleはGemini 4 Argonを、ロボットの動作だけを出力する単一の方策モデルではなく、汎用的な物理推論モデルとして発表した。公開されたデモでは、動画の理解やシミュレーション環境の構築から、ロボット制御、デモへのラベル付け、方策の反復改善までを扱う。対象範囲が広い一方、どの部分をモデルが担い、どの部分を周辺ツールが担うのかを見極めることが重要になる。
主なポイント
- **ロボット制御:**Googleによると、MuJoCoのデジタルツイン環境で訓練した後、ArgonはBoston DynamicsのSpotを誘導し、ペダルを踏むタスクを実行した。別のデモでは、視覚座標とHTTPベースの動作プリミティブを使い、比較的単純なロボットアームを操作した。また、Gemini Omniの動画ワールドモデルを使った閉ループ制御の例も示された。
- **動画・画像から学習用データを作成:**Real2Simの例では、遠隔操作の動画からMuJoCoシーンを再構成した。動画へのアノテーション用プロンプトは、行動クローニングに使うデモのラベル付けに利用された。Googleはさらに、1枚のRGB画像からドメインランダム化を施したMuJoCoシーンを合成し、それを使って視覚・言語・行動方策を微調整した。対応する実環境での成功率は56%から75%に上がったと報告している。
- **ベンチマークと提供形態:**GoogleはArgonが、補助ツールを使わず推論のみで具身推論QA(ERQA)ベンチマークの87%を達成し、このテストで他の最先端モデルを上回ったと述べている。Google AI Ultraの契約者向けに提供され、有料のGemini APIからもモデルID「gemini-4-argon」で利用できる。
デモの評価で見落とせない点
これらの事例は、Argonが外部の仕組みに頼らず、あらゆるロボット作業を自力で完遂したことを示すものではない。公開されたプロンプトには、タスク固有の詳細な指示、座標グリッド、動作プリミティブ、検証器が含まれている。これらは実演システムの一部だ。Googleは個別のVLA事例を公開しているが、各デモの失敗率は明らかにしていない。したがって、ERQAのスコアと個別タスクの成功率は、同じ能力の証明として扱えない。
もう一つの論点はシミュレーションの忠実度だ。見た目が現実に近いシーンでも、接触や摩擦などの物理挙動が正確とは限らない。物体操作では、画像だけでなく接触時の挙動を現実に合わせられるかが、実環境への転移に関わる。高度なモデルにシミュレーターや品質確認を組み合わせれば、別々のツール間の作業を減らせる可能性はある。しかし、現時点の情報だけでは、専用のVLA方策、シミュレーター、アノテーションサービスを置き換えられるとは言えない。今後は失敗例の公開や、仮想環境と現実の接触挙動の検証が注目点となる。
出典:InfoQ 中文
コメント
ログイン状態を確認中…
コメントを読み込み中…