گوگل در ۱۳ اکتبر ۲۰۲۶ از Gemini 4 Argon، مدل هوش مصنوعی جدید خود برای رباتیک، رونمایی کرد. این مدل با تمرکز بر درک فیزیکی محیط، استدلال فضایی سه‌بعدی، تولید کد و تحلیل تصاویر و ویدئوها توسعه یافته است تا فرایند طراحی، آموزش و کنترل ربات‌ها را ساده‌تر و کارآمدتر کند. به گفته گوگل، این فناوری می‌تواند مسیر توسعه ربات‌های هوشمند را هموار کرده و گامی در جهت تحقق هوش مصنوعی عمومی در دنیای فیزیکی باشد.

Gemini 4 Argon چیست و چه قابلیت‌هایی دارد؟

Gemini 4 Argon یک مدل هوش مصنوعی با قابلیت استدلال فیزیکی است که می‌تواند روابط میان اشیا، حرکات ربات‌ها و شرایط محیطی را تحلیل کند. برخلاف سیستم‌هایی که صرفاً بر تشخیص تصویر یا اجرای دستورهای از پیش تعیین‌شده متکی هستند، این مدل می‌تواند اطلاعات بصری و داده‌های حرکتی را در کنار هم بررسی کند و برای انجام وظایف پیچیده، مراحل اجرایی مناسبی پیشنهاد دهد. گوگل اعلام کرده است که Gemini 4 Argon در معیار ارزیابی Embodied Reasoning (ERQA)، که توانایی مدل‌ها را در حل مسائل فیزیکی و فضایی در محیط‌های سه‌بعدی می‌سنجد، به امتیاز ۸۷ درصد رسیده است. این شرکت عملکرد مذکور را بهتر از سایر مدل‌های پیشرفته ارزیابی‌شده توصیف می‌کند.

کنترل هوشمند ربات‌ها با کمک استدلال فیزیکی

یکی از کاربردهای مهم Gemini 4 Argon، کنترل ربات‌ها برای انجام فعالیت‌های فیزیکی پیچیده است. برای نمونه، گوگل نشان داده است که این مدل چگونه می‌تواند به ربات چهارپای Spot شرکت Boston Dynamics کمک کند تا قوطی‌های نوشیدنی را جمع‌آوری کرده و داخل سطل زباله پدالی بیندازد. در این فرایند، مدل ابتدا یک نسخه شبیه‌سازی‌شده از سطل را در محیط فیزیکی MuJoCo ایجاد می‌کند و حرکات موردنیاز را در فضای مجازی می‌آزماید. سپس ربات با استفاده از اطلاعات دوربین‌ها، موقعیت پا و بازوی خود را بررسی کرده و وظیفه را در محیط واقعی اجرا می‌کند. این رویکرد به ربات اجازه می‌دهد پیش از اجرای عملیات حساس، حرکت‌های خود را در شبیه‌سازی آزمایش کند و احتمال بروز خطا را کاهش دهد. در نمونه‌ای دیگر، Argon توانسته است بازوی رباتیک را برای قراردادن یک لیوان افتاده در وضعیت عمودی و گذاشتن دستمال داخل آن هدایت کند.

تبدیل دنیای واقعی به شبیه‌سازی سه‌بعدی

یکی دیگر از قابلیت‌های کلیدی Gemini 4 Argon، فناوری Real2Sim است؛ رویکردی که اطلاعات محیط واقعی را به یک محیط شبیه‌سازی‌شده تبدیل می‌کند. این مدل می‌تواند با استفاده از تصاویر دوربین‌های ربات، ویدئوهای ثبت‌شده از دید انسان یا حتی طرح‌های دستی، محیط‌ها و اشیای سه‌بعدی بسازد. در این فرایند، فقط ظاهر اشیا بازسازی نمی‌شود؛ ویژگی‌های فیزیکی مانند جرم، اصطکاک، شکل هندسی و نحوه تماس اشیا نیز اهمیت دارند. برای مثال، مدل می‌تواند از یک ویدئو، محیطی در MuJoCo بسازد که رفتار اشیا و حرکات ربات در آن تا حد امکان با نمونه واقعی مطابقت داشته باشد. این قابلیت می‌تواند هزینه و زمان آماده‌سازی محیط‌های آموزشی رباتیک را کاهش دهد و به پژوهشگران امکان دهد سناریوهای پیچیده را پیش از اجرای واقعی بررسی کنند.

یادگیری از تجربه و بهبود عملکرد ربات‌ها

Gemini 4 Argon همچنین می‌تواند برای تحلیل عملکرد ربات‌ها و بهبود تدریجی مهارت‌های آن‌ها استفاده شود. این مدل قادر است ویدئوهای اجرای یک وظیفه را بررسی کند، بخش‌هایی مانند گرفتن ناپایدار اشیا، مکث‌های غیرضروری و تلاش‌های ناموفق را شناسایی کند و داده‌های دقیق‌تری برای آموزش مدل‌های رباتیک تولید کند. گوگل در یکی از آزمایش‌های خود، از این مدل برای تولید داده‌های آموزشی در محیط شبیه‌سازی استفاده کرده است. طبق گزارش این شرکت، در یک وظیفه جابه‌جایی اشیا، نرخ موفقیت ربات در ارزیابی دنیای واقعی از ۵۶ به ۷۵ درصد افزایش یافته و زمان انجام کار از ۳۵ به ۲۴ ثانیه کاهش پیدا کرده است. این نتایج نشان می‌دهند که ترکیب شبیه‌سازی، تحلیل بصری و بازبینی مکرر عملکرد می‌تواند به بهبود کنترل ربات‌ها کمک کند؛ هرچند میزان تعمیم این نتایج به ربات‌ها و وظایف دیگر به ارزیابی‌های بیشتر نیاز دارد.

دسترسی توسعه‌دهندگان به Gemini 4 Argon

گوگل اعلام کرده است که توسعه‌دهندگان می‌توانند از Gemini 4 Argon در پلتفرم‌های مختلف این شرکت استفاده کنند. این مدل از طریق Google AI Studio برای مشترکان Google AI Ultra و از طریق Gemini API در سطح پولی این سرویس در دسترس قرار گرفته است. همچنین امکان استفاده از آن در Google Antigravity برای مشترکان Google AI Ultra فراهم شده است.

در مجموع، Gemini 4 Argon تلاش گوگل برای نزدیک‌ترکردن هوش مصنوعی به دنیای فیزیکی را نشان می‌دهد؛ جایی که مدل‌ها باید علاوه بر پردازش اطلاعات، روابط فضایی، محدودیت‌های حرکتی و پیامدهای فیزیکی اقدامات را نیز در نظر بگیرند. اگر این قابلیت‌ها در کاربردهای متنوع و محیط‌های واقعی به‌خوبی توسعه یابند، می‌توانند نقش مهمی در پیشرفت ربات‌های صنعتی، سامانه‌های خودکار و ربات‌های انسان‌یار ایفا کنند.

منبع خبر: developers.googleblog