Google'ın Gemini 4 Argon'u, ERQA fiziksel muhakeme kıyaslamasında yüzde 87 ile robotiği hedefliyor

Google'ın duyurduğu şey

Google, ön uç modelinin robotik odaklı bir sürümü olan Gemini 4 Argon'u tanıttı. Hacker News'in ana sayfasına düşen, şirketin geliştirici blogundaki bir yazıya göre Argon; fiziksel anlayış, kod üretimi ve görsel-anlamsal muhakemede bir "dönüm noktası" sağlıyor ve Google bu çalışmayı "fiziksel AGI"ye giden yolunda bir ilerleme olarak çerçeveliyor. Yazı, Argon'u tek bir göreve değil, robotik yaşam döngüsünün tamamına uygulanan genel amaçlı bir fiziksel muhakeme modeli olarak konumlandırıyor.

Öne çıkan sayı, bir modelin 3D ortamlardaki fiziksel ve uzamsal sorunları anlama ve çözme yeteneğini test eden Embodied Reasoning (ERQA) kıyaslamasında elde edilen yüzde 87. Google, Argon'un bu skora salt muhakemeyle ulaştığını ve diğer tüm ön uç modellerden daha iyi performans gösterdiğini söylüyor. Her satıcı kıyaslamasında olduğu gibi, bu sonuç Google'ın kendi iddiası olup yazıda üçüncü taraf bir değerlendirmeyle sunulmuyor.

Üç şekilde robot kontrolü

Google, robot kontrolünü artan soyutluk düzeyindeki üç demoyla sergiliyor.

İlk demoda Argon, bir Boston Dynamics Spot dört ayaklı robotunu — bacaklarda 12 serbestlik derecesi ve 6 serbestlik dereceli bir kol — yeni bir görev yönetiyor: ayaklı çöp kutusuna basarak içine kutu içeceğin atılmasını sağlamak. Model, fiziksel pedala temas etmeden önce çöp kutusunun eklemli bir MuJoCo dijital ikizini kuruyor ve hareketi simülasyonda provadan geçiriyor; buna kol çalışırken gereken üç ayaklı tripod dengesi de dahil. Yayımlanan prompt ayrıca bir "iki ajanlı doğrulama sürüsü" gösteriyor: robot kutuyu bırakmadan önce, ayrı doğrulayıcı ajanlar ayağın pedalın ortasında olduğunu ve elin açık kutunun üzerinde hizalı olduğunu onaylamak zorunda.

İkinci demo, devrilmiş bir kupayı dik duruma getirip içine buruşuk bir peçete yerleştirmesi istenen basit bir robot kolunun sıfır atış (zero-shot) kontrolü. Argon, işaretlenmiş bir görsel koordinat düzeniyle çalışıyor — üzerinde 2 cm'lik dünya koordinat ızgarası taşıyan kalibre edilmiş bir bilek kamerası, tutucunun sıkıştırma merkezi için bir artı işareti ve çene açıklığı ile nesne yönelimi için işaretçiler — ve look_at, grasp, place_until_contact ve move_by gibi eylem ilkellerini birkaç kapalı döngü turu boyunca üretiyor; her adımdan sonra kamera görüntüsünü yeniden inceleyip bir tutuş başarısız olduğunda toparlıyor.

Üçüncü demo üretici simülasyona geçiyor: Argon, dağınık beş Scrabble taşını A-R-G-O-N yazan bir sıraya dizmek için Gemini Omni World Model içinde robotik elleri yönlendiriyor. Tek bir statik talimat vermek yerine, zaman damgalı eylem promptları yazıyor, serbest bırakma (rollout) sürecinden ara kareleri inceliyor ve promptlarını ona göre rafine ediyor — Google'ın gösterdiği örnekte 33 adımlık yönlendirilmiş bir video rollout süreci.

Real2Sim ve yığının geri kalanı

İkinci uygulama alanı Real2Sim: robot kamera görüntüleri, ego-santral insan videosu veya elle çizilmiş kâğıt taslaklar gibi çeşitli girdilerden, fiziksel dünyaya kalibre edilmiş simülasyon ikizleri kurmak. Detaylı örnekte Argon, kaydedilmiş bir teleoperasyon bölümünü izleyip bir dijital ikiz üretiyor; gerçek nesnelerin nasıl göründüğüyle ve temas ettiğinde nasıl davrandığıyla eşleşen simülasyon varlıklarını buluyor ya da yaratıyor, ardından simülasyon görselleri ve temas olayları gerçek kayıtla örtüşene dek sahneyi yinelemeli olarak ayarlıyor.

Yazı ayrıca, daha az ayrıntıyla eşlik eden iki alan daha sayıyor. "Fiziksel anlayış"; ajanlı çok modlu geriye dönük etiketleme, incelikli beceri analizi, yoğun değer fonksiyonları ve ilerleme tahminini kapsıyor. "Araştırma ve öz iyileştirme" ise simülasyonda eylemleri iyileştirmeyi ve doğrudan donanım üzerinde yinelemeli öz iyileştirmeyi kapsıyor.

Neden önemli

Robotik, yapay zekânın gerisinde kaldı; çünkü fiziksel muhakeme, simülasyondan gerçeğe aktarım ve robot başına mühendislik ölçeklenmeye direniyor. Argon, bu yığını tek bir modelde toplama girişimi: kendi simülasyon ikizlerini kuran, onlarda pratik yapan, kendi kontrol kodunu yazan, eylemlerini alt ajanlarla doğrulayan ve kendi donanım deneyiminden iyileşen bir sistem. Sıfır atış (zero-shot) kupa demosu bunun ne anlama gelebileceğinin en net sinyali — kimsenin onlara açıkça öğretmediği görevleri üstlenen robotlar. Uyarılar da aynı derecede net: tüm sayılar ve gösterimler Google'ın kendi tanıtım yazısından geliyor ve "fiziksel AGI" ölçülebilir bir kilometre taşı değil, bir çerçeveleme. Argon'un gerçek bir dönüm noktası mı yoksa iyi provalmış bir vitrin mi olduğu, bağımsız değerlendirmeye ve davranışların özenle hazırlanmış ortamların dışında da geçerli olup olmamasına bağlı olacak.