Google lancia Gemini 4 Argon: un unico modello IA per l’intero workflow robotico

Gemini 4 Argon: un modello “tutto‑in‑uno” per la robotica

Google ha annunciato Gemini 4 Argon, il primo modello di intelligenza artificiale progettato per coprire l’intero ciclo di vita di un robot, dalla progettazione di scenari di prova alla scrittura del codice di controllo, fino alla valutazione dei video di addestramento. Secondo l’azienda, Argon è in grado di comprendere meglio le relazioni spaziali, generare codice di controllo e interpretare fisicamente i video, rappresentando un passo verso la cosiddetta “AGI fisica”.

Il modello è stato presentato con una serie di demo che, pur richiedendo ancora indicazioni dettagliate da parte dell’uomo, mostrano come Argon possa trasformare una semplice immagine o uno schizzo in una simulazione complessa in cui il robot esercita le proprie capacità prima di operare nel mondo reale.

Esempio Spot di Boston Dynamics

Una dimostrazione utilizza Spot, il robot a tre zampe di Boston Dynamics, per raccogliere lattine e gettarle in un contenitore. Prima che Spot tocchi fisicamente il contenitore, Argon crea una copia virtuale del contenitore in un motore di simulazione MuJoCo. Nella simulazione il robot pratica l’equilibrio su tre zampe; solo dopo aver superato questa prova passa all’intervento reale. Due ulteriori agenti IA verificano che piedi e pinza siano correttamente allineati prima del lancio della lattina.

Questa sequenza evidenzia il ruolo di Argon nel generare, testare e convalidare le azioni robotiche in ambienti simulati, riducendo i rischi e i tempi di sperimentazione.

Creazione di mondi di allenamento da input semplici

Un altro punto focale delle demo è la capacità di Argon di partire da una singola foto di un tavolo con oggetti di festa e trasformarla in una serie di 4 500 episodi di simulazione. Da quell’unica immagine, il modello ha generato 77 compiti diversi, dal raddrizzare oggetti caduti al pulire il tavolo, producendo migliaia di iterazioni di training. Sull’effettivo robot, la percentuale di successo è passata dal 56 % al 75 %, mentre il tempo medio per completare il compito è diminuito da 35 a 24 secondi.

Le fonti di input non si limitano a foto: Argon può ricostruire simulazioni a partire da registrazioni di robot teleoperati, replicando non solo l’aspetto ma anche le forze misurate, oppure da video in prima persona di una presa umana, trasferendo i movimenti delle mani a un avatar umanoide con dita articolate.

Da una semplice schizzo a una simulazione completa

Una singola mano libera disegnata su carta, che rappresenta un robot umanoide intento a lanciare una palla contro una piramide di scatole, è sufficiente perché Argon generi una simulazione fisica. Il modello calcola la traiettoria del lancio in modo da far cadere tutte e sei le scatole senza far perdere l’equilibrio al robot.

Questa dimostrazione sottolinea la capacità di Argon di interpretare input grafici minimalisti e tradurli in ambienti tridimensionali coerenti con le leggi della fisica.

Video‑World Model: Gemini Omni

Gemini Omni è un “video‑world model” che crea sequenze video mostrando come evolve una scena quando interviene un agente. Argon agisce da regista, fornendo istruzioni temporizzate su cosa devono fare le mani robotiche, ad esempio spingere un tassello di Scrabble al centro del tavolo. Gemini Omni genera il video corrispondente, Argon analizza i frame e adatta la prossima istruzione.

L’obiettivo della demo è ordinare cinque lettere sparse per formare la parola “ARGON”. Dopo 33 passi sequenziali, le lettere sono state allineate correttamente, dimostrando la capacità di Argon di chiudere il loop percezione‑azione‑valutazione in un ambiente puramente sintetico.

Ottimizzazione iterativa di un braccio robotico

In un altro scenario, Argon deve far posare un mattoncino LEGO in una scatola di legno. Dopo il primo tentativo (≈ 58,9 s) il modello analizza i log e le immagini, identifica il problema e rielabora la traiettoria. Il secondo tentativo impiega 23 s ma il mattoncino sfiora il bordo; il terzo tentativo, ottimizzato in 17,4 s, raggiunge il centro della scatola. Questa progressione evidenzia l’abilità di Argon di auto‑correggersi attraverso il feedback visivo.

Applicazioni nella ricerca e benchmark

Argon è stato testato anche come strumento di ricerca. Con un prompt per ogni articolo scientifico, il modello ricrea esperimenti robotici pubblicati come simulazioni interattive eseguibili nel browser. Finora ne sono nati 68 “sandbox”, tra cui robot‑calcio e un robot umanoide su skateboard.

Nel ERQA‑Benchmark (Embodied Reasoning Question Answering), che valuta la capacità di un modello di risolvere problemi fisici e spaziali in 3D senza strumenti ausiliari, Argon ha ottenuto l’87 % di correttezza su 400 domande, superando Claude Opus 5.5 (82,3 %) e GPT‑6 Astra (81 %). Un altro benchmark, AA‑Robotics di Artificial Analysis, che richiede il controllo diretto di un braccio reale in otto compiti, ha collocato Argon al terzo posto con 55 punti su 100, dietro a GPT‑6 Astra (69) e GPT‑6.1 Sol (65).

Argon come valutatore di dati di training

Una delle funzioni più innovative è la valutazione dei dati di addestramento. In un video di circa due minuti, un robot a due bracci piega un origami a forma di volpe; Argon segmenta il processo in sotto‑passi, identifica pause e prese errate e assegna un peso inferiore a queste sezioni per l’addestramento futuro. In un altro caso, con un video di una persona che ordina anelli, Argon segnala i momenti di progresso, stallo o regressione, fornendo un’etichettatura dettagliata per l’apprendimento supervisionato.

Risoluzione di puzzle fisici

Come dimostrazione più ludica, Argon affronta il classico rompicapo delle 12 palline, in cui una palla ha un peso diverso. Il modello crea una simulazione con due bracci robotici e una bilancia a trave, legge l’inclinazione della bilancia da immagini e, in al massimo tre pesate, individua la pallina anomala.

Questa prova mette in luce la capacità di Argon di interpretare dati visivi e di condurre ragionamenti logici in ambienti simulati.

Limitazioni evidenziate dai prompt di esempio

Google fornisce prompt dettagliati per ciascuna demo, rivelando che, sebbene Argon sia potente, richiede ancora indicazioni precise. Ad esempio, per far rialzare una tazza rovesciata (scenario “zero‑shot”), il modello riceve un’immagine con una griglia metrica sovrapposta e comandi espliciti come “afferra” o “abbassa fino al contatto”. Inoltre, le simulazioni sono accompagnate da lunghe “liste di divieto” per impedire al modello di prendere scorciatoie, come l’uso diretto di valori sensoriali misurati.

Queste restrizioni mostrano che Argon non è ancora completamente autonomo: l’intervento umano resta cruciale per definire obiettivi, vincoli e sicurezza.

Disponibilità e prospettive future

Gemini 4 Argon è già accessibile tramite i piani di abbonamento a pagamento di Google per sviluppatori. Google lo descrive come uno strumento versatile, capace di passare dal controllo di singoli robot alla ricostruzione di esperimenti accademici, con l’obiettivo finale di avvicinarsi a una “AGI fisica” che possa operare in ambienti reali con minima supervisione.

Il prossimo passo sarà probabilmente una maggiore integrazione con DeepMind e l’espansione delle capacità di ragionamento autonomo, riducendo la dipendenza da prompt dettagliati e aumentando la robustezza delle simulazioni rispetto al “reality gap”.