Google hat sein neues KI-Modell Gemini 4 Argon präsentiert, das darauf ausgelegt ist, die gesamte Robotik-Pipeline abzudecken. Das Modell steuert Roboter, generiert virtuelle Übungsumgebungen und bewertet Trainingsvideos. Auf Googles internem ERQA-Benchmark erzielte Gemini 4 Argon eine Punktzahl von 87 Prozent, wobei veröffentlichte Beispiel-Prompts jedoch zeigen, dass die Demos noch umfangreiche menschliche Anleitung erfordern.
Umfassende Funktionen für Robotik-Aufgaben
Gemini 4 Argon ist als vielseitiges Werkzeug konzipiert, das räumliche Beziehungen besser erfassen, Steuerungscode schreiben und Videos physikalisch interpretieren kann. Google sieht das Modell als einen Schritt in Richtung „physischer AGI“ (Künstliche Allgemeine Intelligenz, die in der physischen Welt agieren kann), einem Ziel, das das Unternehmen und seine KI-Tochter DeepMind seit Jahren verfolgen.
- Robotik-Steuerung: In einer Demonstration sollte ein Boston Dynamics Spot-Roboter Limonadendosen in einen Mülleimer werfen. Zuvor erstellte Gemini 4 Argon eine virtuelle Kopie des Behälters, in der der Roboter das Balancieren auf drei Beinen übte, bevor er die Aufgabe an echter Hardware ausführte. Zwei zusätzliche KI-Agenten überprüften vor dem Ablegen der Dose die korrekte Positionierung von Fuß und Greifer.
- Simulation und Trainingsdatengenerierung: Das Modell kann aus verschiedenen Quellen Simulationen erstellen. Aus einem einzelnen Foto eines Tisches mit Party-Requisiten erzeugte Argon eine virtuelle Nachbildung, inklusive einer weichen Plüschmütze. Das Modell entwickelte 77 Aufgaben, vom Aufrichten umgekippter Objekte bis zum Abräumen des Tisches, und generierte über 4.500 Trainingsepisoden für ein Steuermodell. Bei Tests am realen Roboter stieg die Erfolgsquote von 56 auf 75 Prozent, und die Ausführungszeit sank von 35 auf 24 Sekunden. Andere Beispiele umfassen die Erstellung einer Simulation aus der Aufzeichnung eines teleoperierten Roboters oder die Abbildung von Hand- und Fingerbewegungen aus einem First-Person-Video auf einen virtuellen Humanoiden. Selbst eine Kugelschreinskizze eines humanoiden Roboters, der eine Pyramide aus Kisten umwirft, wurde von Argon in eine Simulation umgewandelt, die eine Wurf-Bewegung berechnete.
- Interne Video-Simulationen: Eine weitere Demo spielte sich vollständig in einem KI-generierten Video ab. Mithilfe des Video-Weltmodells Gemini Omni generierte Argon Videos basierend auf zeitgestempelten Anweisungen, um beispielsweise Scrabble-Kacheln zu verschieben. Argon überprüfte einzelne Frames und passte die nächsten Befehle an, um fünf verstreute Buchstabenkacheln zu „ARGON“ anzuordnen, was nach 33 Schritten gelang.
- Selbstverbesserung: In einer Demonstration mit einem einfachen Roboterarm, bei der ein Legostein in eine Holzkiste gelegt werden sollte, verbesserte Argon seine Leistung über die Zeit. Nach fehlgeschlagenen Versuchen wurde das Modell aufgefordert, seine Protokolle und Kamerabilder zu überprüfen, die Ursache zu finden und nach Anwendung einer verifizierten Korrektur erneut zu versuchen. Der erste Durchlauf dauerte knapp eine Minute, der zweite 23 Sekunden und der dritte Versuch etwa 17 Sekunden.
- Forschungsunterstützung: Argon kann veröffentlichte Robotik-Experimente als interaktive Simulationen im Browser nachbilden. Google gibt an, dass bisher 68 solcher „Sandboxes“ erstellt wurden, darunter Roboterspiele und ein humanoider Roboter auf einem Skateboard.
Benchmark-Ergebnisse und Leistungsvergleich
Die Leistung von Gemini 4 Argon wurde in verschiedenen Benchmarks bewertet:
- ERQA-Benchmark (Embodied Reasoning Question Answering): Dieser Test bewertet das Verständnis und die Lösung physikalischer und räumlicher Probleme in 3D-Umgebungen. Argon erreichte laut Google 87 Prozent und lag damit vor allen anderen führenden Modellen. Der Zweitplatzierte, Claude Opus 5.5, erreichte 82,3 Prozent, während GPT-6 Astra bei 81 Prozent und Claude Fable 5.1 bei 74 Prozent lagen.
- AA-Robotics-Benchmark: Ein später veröffentlichter Test von Artificial Analysis, bei dem Sprachmodelle einen realen Roboterarm direkt über acht Aufgaben steuern. Hier belegte Argon mit 55 von 100 Punkten den dritten Platz, hinter GPT-6 Astra (69 Punkte) und GPT-6.1 Sol (65 Punkte).
Bewertung von Trainingsdaten
Über die Steuerung von Robotern und den Bau von Simulationen hinaus ist Argon auch für die Bewertung von Trainingsdaten vorgesehen. In einem über zwei Minuten langen Video, das einen zweiarmigen Roboter beim Falten eines Origami-Fuchses zeigte, unterteilte das Modell die Sequenz in Teilschritte und markierte Pausen oder fehlerhafte Griffe. Diese Segmente werden dann beim Training weniger gewichtet. In einem anderen Video, das eine menschliche Person beim Sortieren von Ringen zeigte, verfolgte Argon den Fortschritt der Aufgabe.
Ein spielerischer Anwendungsfall wurde um ein klassisches Waage-Rätsel herum entwickelt, bei dem eine von zwölf identisch aussehenden Kugeln leichter oder schwerer ist. Argon baute eine Simulation mit zwei Roboterarmen und einer Balkenwaage und fand die abweichende Kugel in drei oder weniger Wägungen, indem es die Neigung der Waage nur aus Kamerabildern ablas.
Verfügbarkeit und Einschränkungen
Gemini 4 Argon ist ab sofort in Google AI Studio und der Entwicklungsumgebung Antigravity für Google AI Ultra-Abonnenten verfügbar. Entwickler können das Modell auch über die kostenpflichtige Stufe der Gemini API nutzen.
Obwohl Google Gemini 4 Argon als ein Modell für die gesamte Robotik-Pipeline positioniert, zeigen die detaillierten Beispiel-Prompts für die Demos auch die Notwendigkeit menschlicher Unterstützung. So erhielt Argon für das Aufrichten einer umgekippten Tasse ein Kamerabild mit einem Zentimetergitter-Overlay und vorgefertigte Befehle wie „greifen“ oder „senken bis Kontakt“. Für Simulationen gab es lange Verbotslisten, um Abkürzungen zu verhindern. Google hat in seinem Blogbeitrag keine Fehlerquoten für einzelne Demos veröffentlicht, und die angegebene Erfolgsquote von 75 Prozent enthält keine Informationen über die Anzahl der Versuche, auf denen sie basiert.
Thema: Gemini. Quelle/Inspiration: The Decoder.