Google DeepMind は、Gemini 4 Argon モデルが通常のビデオを見て物理的なタスクを学習し、学習した動作を実際の人型ロボットに転送するロボット トレーニング技術を実証しました。 Robotics & Automation News によると、モデルの発売と同時に公開されたデモでは、Apptronik が開発した Apollo ヒューマノイドは、コーンホールで遊んでいる人の映像を視聴し、現実世界の試験で 7 回連続で射撃を当てたという。

生のビデオから本物のロボットまで この件の詳細は、人工知能の最新情報をご覧ください。

デモンストレーションは 1 つの内部テストを中心に行われました。アルゴンさんには、コーンホールという裏庭でのトスゲームをしている人間の生のビデオが見せられた。次に、モデルは環境を分析し、その空間座標をマッピングし、ヒューマノイド プラットフォーム上でタスクを再現するために必要な全身の関節の動きを計算しました。

注目すべきステップは次のステップです。エンジニアに頼って物理シミュレーションを手動で構築するのではなく、Argon がシミュレーション コード自体を自律的に生成しました。学習された動作は、その自己生成シミュレーションから Apptronik の Apollo ヒューマノイドに転送され、物理世界で実行されます。

Google DeepMind によると、アポロはその後、実世界の試験中に 7 発の連続射撃を成功させました。これは、ロボットがバランス、アームの軌道、リリースのタイミングを調整する必要があるタスクとしてはクリーンな実行でした。

数週間にわたるシミュレーション作業を数時間に短縮

Google DeepMind はこのアプローチを「Video-to-Sim-to-Real」パイプラインと説明しており、売り込みでは機能だけでなくエンジニアリング時間も重視しています。

Robotics & Automation Newsによると、同社は「この『Video-to-Sim-to-Real』パイプラインは、数週間にわたる手動シミュレーションモデリングを数時間に圧縮し、通常のビデオをスケーラブルで無限のロボット工学の訓練場に変える」と述べた。

従来、シミュレーションを通じてロボットに新しい身体スキルを教えるには、専門家が環境、物体の物理学、ロボットの本体を手作業でモデル化する必要があり、新しいタスクごとに数週間かかるプロセスが必要でした。手動モデリングの代わりにビデオが使用できる場合、ロボットに新しいスキルを教えるためのボトルネックは、エンジニアリング労働から、インターネット上で事実上無制限に入手できるデモンストレーション映像の入手可能性に移行します。

ビデオからシムへ、そしてリアルへの違いは何ですか

業界のほとんどのロボット学習パイプラインは、2 つのルートのいずれかを使用します。1 つはロボットが模倣するタスクを人間が手動でデモンストレーションする遠隔操作、もう 1 つはシミュレーション トレーニングで、導入前に制御ポリシーが何百万回も繰り返される仮想環境をエンジニアが手動で構築します。どちらも機能しますが、拡張性は不十分です。遠隔操作はタスクごとに労働集約的であり、シミュレーション モデリングは環境ごとに労働集約的です。

コーンホールデモは 2 番目のボトルネックをターゲットとしています。 DeepMind のテストの説明では、コーンホール環境を構築したエンジニアはいませんでした。アルゴンは生のビデオを消費し、シーンの空間レイアウトを解釈し、スローに必要な全身関節の軌道を計算し、シミュレーション コード自体を書きました。ループにおける人間の役割は、事実上、誰かがゲームをプレイしているところを一度撮影したことだけになった。

コーンホールは、意図的に選ばれたテスト ケースです。些細なことのように見えますが、高くなった標的にお手玉を着地させるには、ワインドアップ中の安定した全身バランス、優れた腕のダイナミクス、タイミングを合わせたリリース、緩い発射体の弾道に対する耐性など、人型ロボットが困難を感じるまさにその組み合わせが必要です。現実世界での 7 回連続の成功は、移行されたポリシーが幸運ではなく堅牢だったことを示していますが、1 回の内部テストでは証拠が限定的です。

身体的推論のベンチマーク結果

DeepMind は、コーンホール デモと並行して、3D 環境における物理的および空間的問題について推論するモデルの能力を測定する Embodied Reasoning ベンチマーク (ERQA) で Argon をテストしました。同社によれば、Argon はベンチマークで 87% のスコアを達成したという。

物理的および空間的推論は、フロンティア言語モデルと、物理世界で有効に動作できるシステムとを隔てるギャップの 1 つであると広く見なされています。そのため、ERQA のようなロボット工学ベンチマークが主要研究室からの注目を集めています。

より広範なジェミニ 4 アルゴン打ち上げの一部

ロボット工学の作業は、より広範な取り組みの中の 1 つのアプリケーションです。 Google は、Gemini 4 Argon を、複雑なエンジニアリング、科学、コーディング、ビジネス タスクを対象とした、視覚的意味論的推論、物理的理解、自律的なコード生成を組み合わせたフロンティア モデルとして位置付けています。同社は、大規模なソフトウェアコードベースの最適化から量子コンピューティング、核融合、生命科学研究に至るまで、社内でこのモデルをすでに使用していると述べた。

このモデルは Google の AI 製品と Gemini API を通じて利用可能であり、ロボット工学のデモンストレーションは、ロボット オペレーター向けの出荷製品としてではなく、モデルの物理的理解の証拠として提示されています。

ヒューマノイド産業にとってそれが重要な理由

Apptronik が最も著名なプレーヤーの 1 つである成長するヒューマノイド ロボット セクターにとって、この結果は特定の短期的な価値提案を示しています。パッシブ ビデオをトレーニング可能なシミュレーションに変換できる汎用 AI モデルは、今日の印象的なデモと経済的に有用な大規模展開との間の中心的な障害である、ロボットに新しいタスクを教えるコストを大幅に削減できる可能性があります。

DeepMind 独自の枠組みでも同じ点が強調されています。同社によると、このデモンストレーションは、汎用モデルがロボットに新しい身体スキルを教えるために必要な手作業の量をどのように削減できるかを示しているという。

コーンホールショットを 7 回撃っただけでは、倉庫内の荷物は移動しません。しかし、それらを生み出すパイプライン、つまりビデオを見て、物理学を理解し、シミュレーションを書き、ハードウェアに転送する部分は、ロボット企業とその投資家が注目している部分だ。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →