谷歌 DeepMind 展示了一种机器人训练技术，其 Gemini 4 Argon 模型通过观看普通视频来学习物理任务，然后将学到的行为转移到真正的人形机器人上。据《机器人与自动化新闻》报道，在模型发布时发布的演示中，Apptronik 打造的 Apollo 人形机器人观看了一个人玩沙包的镜头，然后在现实世界的试验中连续射击了七次。

从原始视频到真正的机器人 更多相关背景，请参阅我们的AI最新动态。

演示以单个内部测试为中心。 Argon 观看了一个人类玩沙包（后院投掷游戏）的原始视频。然后，该模型分析环境，映射其空间坐标，并计算在人形平台上重现任务所需的全身关节运动。

值得注意的一步是接下来发生的事情：Argon 不再依赖工程师手动构建物理模拟，而是自行生成模拟代码。然后，学到的行为从自我生成的模拟转移到 Apptronik 的 Apollo 人形机器人，后者在物理世界中执行该行为。

据谷歌 DeepMind 称，阿波罗随后在现实世界的试验中连续射击了七次——对于需要机器人协调平衡、手臂轨迹和释放时机的任务来说，这是一次干净的运行。

数周的模拟工作压缩为数小时

Google DeepMind 将这种方法描述为“视频到模拟到真实”管道，其宣传既涉及工程时间，也涉及能力。

据《机器人与自动化新闻》报道，该公司表示：“这种‘视频到模拟到真实’管道将数周的手动模拟建模压缩为几个小时，将普通视频转变为可扩展的、无限的机器人训练场。”

传统上，通过模拟教授机器人新的物理技能需要专家手工对环境、物体物理和机器人的身体进行建模——每项新任务的过程需要数周的时间。如果视频可以取代手动建模，那么教授机器人新技能的瓶颈就会从工程劳动转移到演示镜头的可用性，而演示镜头在互联网上实际上是不受限制的。

是什么让视频到模拟到真实的不同

工业中的大多数机器人学习管道都使用两种途径之一：远程操作，人类手动演示机器人模仿的任务；或者模拟训练，工程师手工构建虚拟环境，控制策略在部署之前在其中重复数百万次。两者都有效，而且扩展性都很差——远程操作对于每个任务来说都是劳动密集型的，而仿真建模对于每个环境来说都是劳动密集型的。

沙包演示针对的是第二个瓶颈。在 DeepMind 的测试描述中，没有工程师构建沙坑环境：Argon 消耗原始视频，解释场景的空间布局，计算出投掷所需的全身关节轨迹，并自行编写模拟代码。事实上，人类在循环中的角色被简化为曾经拍摄过玩游戏的人。

Cornhole 是一个精心挑选的测试用例。这看起来微不足道，但将豆袋降落在凸起的目标上需要的正是人形机器人很难找到的组合：发条期间稳定的全身平衡、精细的手臂动力、定时释放以及对松散弹丸弹道的耐受性。现实世界中的七次连续成功表明，转移的政策是稳健的而不是幸运的，尽管单个内部测试的证据基础很窄。

具身推理基准测试结果

除了沙包演示之外，DeepMind 还在具体推理基准 (ERQA) 上测试了 Argon，该基准衡量模型在 3D 环境中推理物理和空间问题的能力。该公司表示 Argon 在基准测试中得分为 87%。

物理和空间推理被广泛视为前沿语言模型与可在物理世界中有效运行的系统之间的差距之一，这就是为什么像 ERQA 这样的机器人基准越来越受到主要实验室的关注。

更广泛的 Gemini 4 Argon 发射的一部分

机器人工作是更广泛推出的应用之一。谷歌将 Gemini 4 Argon 定位为结合视觉语义推理、物理理解和自主代码生成的前沿模型，旨在解决复杂的工程、科学、编码和业务任务。该公司表示，它已经在内部项目中使用了该模型，从优化大型软件代码库到量子计算、核聚变和生命科学研究。

该模型通过谷歌的人工智能产品和 Gemini API 提供，机器人演示是作为模型物理理解的证据，而不是作为机器人操作员的运输产品。

为什么它对人形机器人行业很重要

对于不断发展的人形机器人领域（Apptronik 是其中最著名的参与者之一），结果指向了一个特定的近期价值主张：可以将被动视频转换为可训练模拟的通用人工智能模型可以大大降低教授机器人新任务的成本，这是当今令人印象深刻的演示与经济上有用的大规模部署之间的核心障碍。

DeepMind 自己的框架也强调了同样的观点。该公司表示，该演示展示了通用模型如何减少教授机器人新物理技能所需的手动工程量。

七次沙包射击不会移动仓库中的包裹。但生产它们的流程——观看视频、了解物理原理、编写模拟、传输到硬件——是机器人公司及其投资者将关注的部分。

---

掌握AI最新动态

获取最新的AI新闻、分析和突破——尽在一处。

阅读更多AI新闻 →