Google DeepMind、映像からロボットに

Google DeepMindのデモは、複雑なエンジニアリングや科学業務向けのフロンティアモデルとしてのGemini 4 Argonの投入と、高度なAI推論を物理システムに応用しようとする同社の動きという二つの流れの交差点にある。コーンホールのテストが注目されるのは、ロボットの7連続成功だけでなく、その背後にあるパイプラインだ。Argonは生映像を渡され、環境を分析し、空間座標をマッピングし、全身の関節運動を計算したうえで、シミュレーションコードを自律生成した。そのコードがApptronikのヒューマノイドApolloの訓練場となった。

同社はこれを、通常なら数週間の手作業を要するシミュレーション工程を数時間に圧縮する手段と位置づける。それが実現すれば、ロボットに新たな物理スキルを教える際のボトルネックは、エンジニアリングの労力から映像の入手性へと移る。DeepMindはまた、3D環境における物理的・空間的問題の推論を測るEmbodied ReasoningベンチマークでArgonが87パーセントを記録したと報告している。ロボティクスに加え、Googleは大規模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、ライフサイエンス研究まで、すでにこのモデルを活用したと述べており、Argonをロボティクス専用ではなく汎用の推論エンジンと位置づけている。