Google DeepMindはGemini 4 Argonを発表しました。同社が物理的理解、コード生成、視覚意味推論における飛躍的進化と説明するモデルです。2026年10月13日付でGoogle DeepMindブログに投稿された記事において、開発チームは、このモデルがロボティクススタック全体にわたる新しいワークフローを解き放ち、物理AGIへの進展を加速させるものであり、人間と協働して複雑な課題を解決できるロボットの実現を目指すと述べました。

この能力の飛躍が最も顕著に現れているのが、Embodied Reasoning(ERQA)ベンチマークです。このベンチマークは、3D環境における物理的・空間的な問題を理解し解決するモデルの能力を評価します。DeepMindによると、Argonは純粋な推論のみでこのベンチマークにおいて87%を記録し、他のすべてのフロンティアモデルを上回りました。ERQAのようなベンチマークが重要視されるのは、フロンティアモデルがこれまで主に言語やコーディングタスクで評価されてきた一方、3D空間における物体・空間・接触に関する推論はロボティクス固有の課題であり続けてきたためです。

汎用物理推論モデルとして位置づけられたArgonは、ロボティクスのライフサイクル全体に適用できるよう設計されています。今回の発表では、ロボット制御、Real2Sim、物理的理解、研究と自己改善という4つの重要分野における代表的なプロンプトが紹介され、各デモンストレーションにはモデルが動作する様子の動画が添えられています。

ロボット制御:四足歩行ロボットからビデオ世界モデルまで

ロボット制御のデモンストレーションは、MuJoCoでの練習を伴うモバイルマニピュレーション、ゼロショットのロボット制御、ビデオ世界モデルの閉ループ制御をカバーしています。

最初のデモンストレーションでは、ArgonがBoston DynamicsのSpot四足歩行ロボット(脚が12自由度、アームが6自由度のプラットフォーム)を制御し、新しいスキルを学習します。足踏みペダル式のゴミ箱を踏んでソーダ缶を捨てるというタスクです。物理的なペダルに触れる前に、Argonはロボティクス研究で広く使われるオープンソースの物理シミュレータMuJoCo上で、ゴミ箱の関節型デジタルツインを作成し、シミュレーション内で動作を練習します。その後、実際のペダルを踏んで、開いたゴミ箱にソーダ缶を投げ入れます。
ゼロショット制御のデモでは、Argonがシンプルなロボットアームを操作し、倒れたマグカップを起こして、丸められたナプキンをその中に入れます。視覚座標ハーネスとアクションプリミティブを用いて、複数ターンにわたり推論を行います。

3つ目の例は、制御をビデオ世界モデルへと拡張するものです。ArgonはGemini Omni World Model内でロボットを制御し、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と並んだきれいな一列に並べ替えます。単一の静的なプロンプトを与えるのではなく、Argonは閉じた視覚ループで制御を行います。タイムスタンプ付きのアクションプロンプトを書き、中間のロールアウトキーフレームを確認しながら、プロンプトを改良していきます。

Real2Sim:カメラ映像やスケッチから較正済みシミュレーションへ

Real2Simのデモンストレーションは、ロボットのカメラ映像、一人称視点の人物動画、手描きの紙のスケッチから、物理的に較正されたシミュレーションツインを再構築する手法をカバーしています。この技術は、ロボティクスの実務上の課題に対応するものです。シミュレーション内での反復は物理ハードウェアよりも速く安全ですが、シミュレートされた世界が現実世界と忠実に一致して初めて効果を発揮します。

最初の例では、Argonが実際のロボットテレオペレーションのエピソードを視覚化してデジタルツインを構築し、 Dexterousなハンドが接触した際に実物のように見え、振る舞うシミュレーションアセットを取得または作成します。そして、シミュレーションの見た目や接触イベントが実録データのものと一致するまで、反復的な視覚推論ループでアセットとシーンを調整します。

マニピュレーションタスクの一人称視点の人物動画が与えられると、Argonはタスクに関連するオブジェクトを特定し、粗いバウンディングボックスを凹形状コンテナ用の複合凸分解メッシュに置き換え、人物の手の軌道を、MuJoCo接触物理における22自由度の五指ハンドを持つ76自由度の双腕ヒューマノイドにリターゲティングします。

スケッチからシミュレーションへの例では、開発者が、テーブルの上に3-2-1の字形に積まれた箱を倒すため、放物線に沿ってボールを投げるApollo 2ヒューマノイドを描いた、ラフな紙とペンのスケッチを撮影します。その後、Argonが自動的にGPUアクセラレーションされたmujoco_warpシーンを構築し、バランスの取れた76自由度の全身・五指の投擲軌道を合成し、閉ループ物理で6/6の目標倒壊を検証し、Blender 4.5 Cyclesレンダリングをエクスポートします。

物理的理解:後付けラベリング、パズル解決、価値関数

物理的理解のデモンストレーションは、器用さの詳細な理解、密な価値関数、進捗推定を含む、エージェント的なマルチモーダル後付けラベリングをカバーしています。

DeepMindによると、Argonは器用なマニピレーションに対する精密な物理的理解を持ち、動画から詳細なセグメンテーションとテキストラベリングを提供でき、一時停止、不安定な把持、取りこぼしなどの不適切なマニピュレーションセグメントを特定できます。双腕のALOHA 2ロボットが正方形の紙を136秒かけて折り紙のキツネに折る様子を撮影した俯瞰動画が与えられると、Argonは時間整合された4階層の後付けアノテーション階層を生成します。エピソード目標(G1)、6つの連続した意味サブタスク(G2)、17の接触レベルのアトミックプリミティブ(G3)、そして取りこぼしやリトライの間タスク進捗をフラットに保つ自動品質管理(QC)の再重み付けです。

古典的な12球の天秤パズルをロボットで再現するために、Argonは、外観上同一の12個のビリヤードボール(1つだけ密かに重いか軽い)と、可動式のRoberval型両皿天秤を備えた双腕Franka FR3のMuJoCo環境を構築します。そして、ステレオRGBカメラからボールを三角測量し、計量のたびに天秤の傾きを視覚的に読み取り、3回の計量以内に異常なボールを「重い(赤)」または「軽い(青)」の皿に分離する、視覚のみに基づく閉ループソルバーを作成します。

DeepMindは、Argonをロボティクスタスクの汎用価値関数としても説明しています。人物のUMIデータセットからの60秒間の双腕リングソーティングエピソードで評価されたArgonは、接触遷移の前後で同期されたヘッド、左グリッパー、右グリッパーのカメラ映像を反復的に確認して密な価値関数とタスク進捗の予測を生成し、軌道を正・中立・負の進捗勾配を持つ28のセグメントに分解します。

研究と自己改善:シミュレーションデータからハードウェアの反復へ

研究と自己改善のデモンストレーションは、シミュレーションによるアクション改善と、ハードウェア上での反復的な自己改善をカバーしています。

Argonは、汎用のVision-Language-Action(VLA)モデルの性能を向上させるために、シミュレーション内で新しいデータを生成できます。大量のロボットインタラクションデータに依存するVLAモデルにとって、シミュレーションは物理ハードウェアの限界を超えてデータ収集を拡大する手段となります。実際のテーブルトップの1枚のRGB写真から、Argonは自律的に較正済みのMuJoCoシミュレーションツインを構築し、新しいタスクを定義し、閉ループのモーションジェネレーターを合成して、シミュレーション内で4,500以上のドメインランダム化エピソードを収集します。DeepMindによると、これにより実世界の物理ロボットの成功率が56%から75%に向上し、完了時間が35秒から24秒に短縮されました。

シンプルな6自由度アーム上で、Argonはピック&プレースタスクにおいて、試行と自己省察を通じて実行速度と配置精度の両方を反復的に自己改善します。

最後のデモンストレーションは、MuJoCo WebAssemblyにおけるロボティクス制御論文のワンプロンプト再現です。論文ごとに1つのプロンプトで、Argonはロボティクス制御の論文と公開済みチェックポイントを読み込み、DeepLocoの7ネットワーク階層型移動制御やHUSKYの50 Hz PPOアクター、Whole-Body MPCのWeb Worker iLQRなど、物理モデルと閉ループコントローラを自己完結型MuJoCo WebAssemblyブラウザラボへ移植し、ヘッドレスChromiumで検証します。

具身体知能の前進

DeepMindによると、Argonはコーディング、視覚認識、物理シミュレーション、具身的ロボット制御を橋渡しします。マルチビュー動画、3Dジオメトリ、接触力学、固有受容感覚テレメトリ上でネイティブに推論することで、Argonはシーン内にどのオブジェクトがあるかだけでなく、それらがエージェントとどのように物理的に相互作用して全身の器用なタスクを達成するかを理解します。これらのデモンストレーションを総合すると、ロボティクスチームが通常複数のツールやワークフローに分散して行う作業(コントローラ設計、シミュレーション較正、データセットラベリング、論文の再現)を網羅しています。

「Gemini 4 Argonは、物理AGIへの道を加速する重要なマイルストーンです」とブログ記事は述べています。「このコアインテリジェンスを構築することで、人間と協働して複雑な課題を解決できるロボティクスの実現を目指しています。」

はじめに

Gemini 4 Argonは本日からGoogleの開発者プラットフォーム全体で利用可能であり、開発者は上述の機能を直接テストできます。

• Google AI Studio:Google AI Ultraの加入者はGoogle AI Studio経由で利用可能です。
• Gemini API:AI Studio内のGemini APIの有料ティアで利用可能です。開発者はInteractions APIでgemini-4-argonとしてモデルを呼び出せ、google-genai SDK全体で初日からサポートされます。
• Google Antigravity:Google AI Ultraの加入者が利用可能です。開発者はGoogle AntigravityでGemini 4 Argon(gemini-4-argon)をアクティブモデルとして選択し、複雑なプランニング、/goal実行、マルチエージェントオーケストレーションに利用できます。