10月16日、The Decoderが「Google wants Gemini 4 Argon to be the only AI model robots need」と題した記事を公開した。ロボティクス分野では従来、制御・シミュレーション・評価の各工程にそれぞれ専用モデルを組み合わせるのが一般的だった。Googleはその構成を根本から変えようとしている——ただし、ベンチマーク結果は期待通りではない部分もある。

Gemini 4 Argonが目指すのは、ロボット開発に必要なすべての工程を単一モデルで賄うことだ。そのアーキテクチャ的な意欲は注目に値するが、実機制御での性能やデモの前提条件については冷静に見る必要がある。以下で詳しく見ていく。

1枚の写真から4,500回の訓練エピソードを生成

Gemini 4 Argonの最も特徴的な点は、シミュレーション生成から制御コード記述、訓練動画の品質評価まで、単一モデルで担うという設計思想だ。

公開されたデモの中で最も数字が明確なのが、パーティー小物が乗ったテーブルの写真1枚から始まるパイプラインだ。Argonはこの写真から仮想環境を再現し、柔らかいプラッシュ帽子を含む小道具も反映させた。そこから77種類のタスク（倒れた物体を起こす、テーブルを片付けるなど）を自動生成し、制御モデルの訓練に使う4,500件以上のエピソードを生成した。実機ロボットで検証すると、成功率は56%から75%に向上し、実行時間も35秒から24秒に短縮した。

入力はテキストや写真だけではない。遠隔操作したロボットの録画映像からシミュレーションを構築し、指先の力センサーの読み値まで再現できる。人間が物をつかむ一人称視点の動画から、5本指を持つ仮想ヒューマノイドへと動作をマッピングする。さらに手描きのボールペンスケッチすら入力として機能する——箱のピラミッドをボールで倒すヒューマノイドを描いた1枚の絵から、ロボットが転倒せずに6つの箱をすべて倒せる投球モーションを計算するシミュレーションを生成してみせた。

手書きスケッチからArgonがシミュレーションを構築し、ヒューマノイドが1投で6つの箱すべてを倒す。（画像: Google）

AIビデオモデルを「ディレクター」として操る

もう一つ面白いデモが、Argonがビデオ生成モデルを指示するという構成だ。Gemini Omniはシーンの変化を映像として生成するビデオワールドモデルで、ArgonはそのディレクターとしてGemini Omniに指示を与える形で動作する。Argonがタイムスタンプ付きの手順指示（「スクラブルタイルをテーブル中央にスライドさせる」など）を記述し、Gemini Omniがそれを映像化する。Argonは各フレームを確認して次のコマンドを調整する。散らばった5枚のタイルを「ARGON」の順に並べるタスクを、33ステップで完了した。

ロボットアームにレゴブロックを木箱に置かせるデモでは、自己改善ループも示された。失敗時にArgonが自身のログとカメラ映像を見直して原因を特定し、修正後に再試行する。実行時間は1回目の58.9秒から3回目には17.4秒まで短縮し、精度も最終試行で箱の中心に着地した。

3回の試行でロボットアームの実行時間を58.9秒から17.4秒に短縮し、最終試行で箱の中央に着地。（画像: Google）

ベンチマーク結果は明暗が分かれる

空間・物理推論を測るERQAベンチマーク（Embodied Reasoning Question Answering）では、400問をツールなしの推論のみで解く形式でArgonが**87%**を記録。Claude Opus 5.5（82.3%）、GPT-6 Astra（81%）、Claude Fable 5.1（74%）をすべて上回った。

一方、Artificial Analysisが翌日公開したAA-Roboticsベンチマークでは結果が異なる。実機のロボットアームを8タスクで直接制御するこのテストでは、ArgonはGPT-6 Astra（69点）、GPT-6.1 Sol（65点）に次ぐ3位（55点）にとどまった。「推論力は高いが実機制御では別の話」という構図が見える。

プロンプトの中身が示す現実

数字を額面どおりに受け取る前に、注意すべき留保がある。Googleは各デモの詳細なプロンプトも公開しており、これが主張の一部を相対化している。「ゼロショット」と説明されたカップの起こし直しデモでは、Argonはセンチメートルグリッド付きのカメラ画像を受け取り、「grasp」「lower until contact」といった事前定義コマンドを利用している。シミュレーション生成では、モデルがショートカット（センサー値をそのままコピーするなど）を取らないよう、長い禁止リストが含まれている。75%の成功率については、総試行回数の記載がない。デモの印象は鮮烈だが、実運用環境での再現性を評価するには情報が不足している。

競合との差別化と現在の利用可否

Googleが言う差別化ポイントは「シミュレーション・制御・評価を同一モデルで扱う」点だ。仮想環境でのロボット訓練自体は新しくない。スタートアップのWorld Labsは実環境から仮想訓練世界を生成するシステムを公開しており、実タスク1件から数千件のシミュレーションバリエーションを生成できる。NvidiaはビデオベースのロボットシミュレーターDreamDojoを公開し、映像から物理シミュレーションを再構築するアプローチを取る。両社とも「シミュレーション生成」という方向性は共通しているが、Argonが主張するのはその生成・制御・評価を分割せず一つのモデルに統合したことによる運用上の簡素化だ。この統合が実際にどれほどのメリットをもたらすかは、今後の独立した検証を待つ必要がある。

Argonは現在、Google AI Studioおよび開発環境Antigravityで利用可能だが、Google AI Ultraサブスクライバー限定。開発者は有料ティアのGemini APIからもアクセスできる。

詳細はGoogle wants Gemini 4 Argon to be the only AI model robots needを参照していただきたい。