DeepMindのGemini 4 Argon、ロボット向け物理理解でERQA 87%

何が発表されたのか

Google DeepMindは、ロボティクス向けのモデル「Gemini 4 Argon」を紹介するブログ記事を公開しました。同社はこれを、物理理解・コード生成・視覚意味推論における段階的な能力向上をもたらすものと位置づけています。ロボティクススタック全体の新しいワークフローを開き、physical AGI（物理世界で汎用的に動くAIを指すとみられる）への進歩を加速するとしています。ただし記事の中心はプロンプト例と検証方法の紹介で、モデルの提供形態や価格には触れていません。

能力の指標として示されたのが、Embodied Reasoning（ERQA）ベンチマークです。これは3D環境における物理的・空間的な問題を理解して解く能力を測るもので、純粋な推論だけでArgonは87%を記録し、他のフロンティアモデルをすべて上回ったとしています。もっとも、比較対象となる他モデルの具体的なスコアは原文に記載がありません。87%という数字だけで差の大きさを判断することはできません。

ロボット制御の三つの例

第一の例は、Boston Dynamicsの四足歩行ロボットSpot®を使った移動マニピュレーションです。12自由度の脚と6自由度の腕を組み合わせ、ペダル式のゴミ箱を踏んでソーダ缶を捨てるという新しいスキルを学習します。Argonは関節構造を持つペダル式ゴミ箱のMuJoCoデジタルツインを作り、実機でペダルを踏む前に動作を練習します。プロンプトでは、foot-verifierとhand-verifierという2エージェントの検証swarmを使い、足のペダル位置と手とゴミ箱の3Dアラインメントを確認する手順が示されています。

第二の例はゼロショット制御です。対象タスク向けの追加学習なしに、倒れたマグカップを起こして丸めたナプキンを中に入れるタスクを、視覚的な座標ハーネスと行動プリミティブだけで数ターンにわたって実行します。プロンプトでは、VLM（視覚言語モデル）の呼び出し回数を粗い2〜4回から細かい8〜20回まで事前に選ぶ設計が示されています。失敗時には再観測して閉ループで復帰する手順も含まれます。

第三の例はOmni制御です。Gemini Omni World Modelの中でロボットを操作し、散らばった5つのスクラブルタイル（G、R、A、N、O）をA-R-G-O-Nの並びに整列させます。静止した1つのプロンプトを与えるのではなく、タイムスタンプ付きの行動プロンプトを書き、ロールアウトの中間キーフレームを確認しながらプロンプトを改良する閉ループです。複雑な動きを一度に1つの単純な方向の動作に分解するよう指示している点が特徴です。

Real2Simの三つの入力

Real2Simは、現実のデータからシミュレーション環境を再構築する取り組みです。第一に、実ロボットの遠隔操作エピソードからMuJoCoのシーンとデジタルツインを構築します。検証は視覚一致と物理一致の2つで、視覚一致はhead_left、left_wrist、right_wristの3カメラの描画が実観測と一致するかを見ます。物理一致は、Sharpaの指先にかかる接触力・トルクが記録されたtactile_forceとタイミング・大きさ・方向で一致するかを見ます。

再現には制約も課されています。ロボットのコマンドは、実機の指先が物体に近いフレームでのみ変更でき、変更幅は記録軌道から腕の関節で0.55ラジアン、ハンドの関節で0.65ラジアン以内に収める必要があります。シミュレーション開始後はモデルパラメータの変更や外力の適用、物体の位置・速度の直接操作などが禁止されており、原文では「No sim cheating」と表現されています。

第二の入力は一人称の人間動画です。タスクに関係する物体だけを特定し、粗いバウンディングボックスを凸分解したメッシュに置き換えて、人間の手の軌道を76自由度の双腕ヒューマノイド（22自由度の五指ハンド）に再ターゲットします。MuJoCo上で500 Hz（dt = 0.002秒）で軌道を実行し、指同士の力の閉包、2cm以上の持ち上げ、最終配置の安定性を検証します。第三の入力は手描きスケッチです。ペンと紙のラフな絵からGPU加速のmujoco_warpシーンを自動構築し、76自由度の全身と五指による投擲軌道を合成、閉ループ物理で6/6のターゲット倒しを検証し、Blender 4.5 Cyclesのレンダリングを書き出したとしています。

何が新しいのか

注目点は、単一タスクに特化したモデルではなく、ロボットのライフサイクル全体に適用できる汎用の物理推論モデルとして提示されていることです。制御、Real2Sim、物理理解、研究と自己改善という4領域が挙げられ、それぞれに代表的なプロンプト例が添えられています。モデルが担うのは制御コマンドの出力だけでなく、シミュレーション環境の構築、行動の改善、データへのラベリングまで含みます。

物理理解の領域では、エージェント型のマルチモーダルなhindsight labeling（事後に振り返ってデータへラベルを付ける作業の自動化とみられる）、巧緻性（dexterity）の詳細な理解、dense value functions、進捗推定が挙げられています。研究と自己改善では、シミュレーションによる行動改善と、実機ハードウェア上での反復的な自己改善が示されています。制御の例に共通するのは、モデル自身が検証役も担う閉ループの設計です。検証swarmやカメラ画像の再確認など、出力を別の手段で確かめてから次の行動に進む形になっています。

分かっていないこと

原文はプロンプト例と検証方法の紹介が中心で、モデルの提供時期、API、価格、利用可能な国や地域については書かれていません。対応するロボットの一覧や、SpotやApollo 2以外のハードウェアで使えるかどうかも不明です。ERQAで比較対象となった他モデルのスコアも示されていないため、87%という数字がどれほどの差なのかは原文からは判断できません。

実機タスクの成功率や所要時間といった定量的な結果も示されていません。Real2Simの検証は「シミュレーションが現実の観測とどれだけ一致したか」を見るものであり、実世界でのタスク成功率を保証するものではありません。導入を検討する場合は、公開されたベンチマークの数値と自社タスクでの性能の差を自分で測る必要があります。