谷歌给 Gemini 接上机器人管线：一张照片，造出四千五百次训练

据谷歌开发者博客和科技媒体 The Decoder 报道，谷歌为其旗舰模型 Gemini 4 Argon 开放了机器人专用管线，把控制机器人、生成仿真环境、评估训练数据三件事装进同一个模型。谷歌把这称作迈向"物理 AGI"的一步。

演示里最能说明问题的是一组数字：给模型看一张摆满派对道具的桌面照片，它会先在虚拟世界里复刻这张桌子，连毛绒帽子的软体材质都算进去，再自动拆出 77 项任务，比如把翻倒的物件扶正、收拾桌面，然后生成超过 4500 段仿真训练数据，喂给机器人的控制模型。换成真机测试，任务成功率从 56% 提到 75%，单次执行时间从 35 秒缩到 24 秒。一张圆珠笔手绘草图，也能被它变成一套可以跑起来的虚拟训练环境。

在谷歌自家的空间推理基准 ERQA 上，Argon 拿了 87%，排在所有前沿模型之前，比第二名 Claude Opus 5.5 高出约 5 个百分点。不过第三方机构 Artificial Analysis 随后发布的真机测试给出了另一份成绩单：直接让模型控制一条真实机械臂完成 8 项任务，Argon 以 55 分排在第三，落后于两个 OpenAI 模型。

机器人研究卡了很多年的老问题是数据：真机采集又贵又慢，仿真环境大多靠人工搭建。谷歌的思路是把"造训练场"这件事也交给模型——看一眼照片就有几千次练习机会，这件事如果成为行业标配，机器人学新任务的成本结构会不一样。判断它成色时要留个心眼：自家基准自家领先，第三方真机实测只排第三；公布的示例提示词里全是人工脚手架，带坐标网格的相机画面、预置好的抓取指令、防止模型抄近路的长串禁令，连 75% 这个成功率背后一共试了多少次都没有交代。看一张照片就学会干活，目前还是谷歌讲出来的故事，故事离产品的距离，藏在那些没公布的失败率里。

关注我，带你了解每日最新 AI 新闻