AI 模型 Gemini 4 Argon 觀看影片學習 助機器人精準投擲

Google DeepMind 的機器人研究人員開發出一種創新方法，讓人工智慧模型 Gemini 4 Argon 能直接從人類的影片中學習物理技能，顯著加速機器人的訓練過程。這項被稱為「從影片到模擬再到實體（Video-to-Sim-to-Real）」的管道，讓機器人僅需數小時就能習得複雜技能，大幅縮短了傳統上需要數週手動模擬建模的時間。

該方法的關鍵在於 Gemini 4 Argon 具備 3D 空間感知能力與視覺語義推理能力。研究人員以一項投擲沙包（cornhole）的遊戲為例進行了示範：Gemini 4 Argon 首先觀看人類玩此遊戲的影片，追蹤手臂揮動與投擲動作，並將這些人類動作映射到機器人的關節與手上。接著，它利用機器人眼部攝影機測量遊戲板的精確 3D 位置，並建立起包含機器人身體與遊戲板的物理模擬環境。

Gemini 4 Argon 在模擬中練習投擲，調整姿勢與揮桿，確保手臂能順暢地畫出弧線。最後，在真實機器人上，它會觀察每次投擲的結果，並微調投擲釋放點的幾公分距離，最終成功指導 Apptronik’s Apollo 2 人形機器人連續七次將沙包精準投進洞中。Gemini 4 Argon 稱其學習過程包含四個步驟：觀看影片並追蹤動作；測量 3D 位置並建立物理模擬；在模擬中練習並調整姿勢；在真實機器人上調整釋放點。

Gemini 4 Argon 已於 10 月 13 日向全球開發者與企業開放。開發者可透過 AI Studio 和 Gemini 平台上的 API 存取其功能，Google AI Ultra 訂閱者可在 Google Antigravity 中使用，而 Google AI Ultra 和 Pro 訂閱者則可在 Gemini 應用程式和搜尋的 AI 模式中使用。其初期定價為每百萬輸入 Token 2 美元，每百萬輸出 Token 10 美元；快取輸入 Token 可享 95% 折扣。在初期優惠期結束後，價格將調整為每百萬輸入 Token 4 美元，每百萬輸出 Token 20 美元。