Gemini 4 Argon、画像や動画からロボット訓練用の仮想世界を生成
Googleは、Gemini 4 Argonが写真やスケッチ、動画をロボットの学習用シミュレーションに変換する様子を披露した。ただし、セットアップにはまだ人の手が必要だった。
Illustration made on Lumeta with GPT Image 2.5Make one like it
Googleは2026年10月15日、ロボットの制御、写真・スケッチ・動画からの学習用シミュレーション生成、学習映像のレビューを1つでこなすロボティクスモデル「Gemini 4 Argon」を発表した。Googleがロボット開発の複数の工程を1つのシステムに集約しようとしている点で注目に値する。一方で、同社自身のデモからは、Argonが依然として人による詳細なプロンプト設計や追加の検証エージェント、有料の開発者アクセスに頼っていることも見えてくる。
Googleが披露した内容
Googleのデモは、現実世界で動く前にシミュレーションを活用することに焦点を当てていた。ある例では、Boston DynamicsのロボットSpotが、実機で試す前に、現場を再現した仮想空間でゴミ箱のペダルを踏んで炭酸飲料の缶を捨てる動作を練習した。別の例では、Argonが散らかったテーブルの写真1枚から再現シーンを作成し、77個のタスクを考案して4,500以上の学習エピソードを生成した。Googleによると、これにより実機ロボットの成功率は56%から75%に向上し、実行時間は35秒から24秒に短縮されたという。Argonはさらに、遠隔操作の映像や一人称視点の人間の動画、さらにはペンで描いたスケッチまでも、シミュレーション上のロボットタスクに変換した。

Illustration made on Lumeta with GPT Image 2.5Make one like it
GoogleはまたArgonが動画ワールドモデル「Gemini Omni」のプランナーとして機能する様子も見せた。この構成では、Argonがロボットハンド向けのタイムスタンプ付き指示を書き、生成された動画フレームを確認し、ハンドが文字タイルを並べてARGONと綴るまで次の手順を調整した。別のロボットアームのデモでは、Argonが自身のログと画像を確認したうえで、失敗したレゴの配置タスクに再挑戦し、所要時間を1回目の58.9秒から3回目には17.4秒まで縮めた。Googleによると、Argonは公開済みのロボティクス論文をブラウザ上のシミュレーションとして再現することもでき、これまでに68個のサンドボックスを構築したという。
結果が示すこと、そして今すぐ使えるのは誰か
Googleのアピールで最も強力なのは、その守備範囲の広さだ。制御、シミュレーション、データ評価を1つのモデルで担う。最大の注意点は、裏側の補助的な仕組みがまだ多く透けて見えることだ。Googleが公開したプロンプト例には、座標グリッド、事前構築されたコマンド、長い制約リストが含まれ、一部のデモではロボットが動く前に位置を検証するヘルパーエージェントも使われていた。GoogleによるとArgonは身体性推論のベンチマークERQAで87%を記録したが、Artificial AnalysisのAA-Roboticsベンチマークでは100点中55点で3位にとどまり、GPT-6 Astra(69点)とGPT-6.1 Sol(65点)に後れを取った。開発者は現在、Google AI Ultra加入者向けにGoogle AI StudioとAntigravityで、またGemini APIの有料プランを通じてArgonを利用できる。
ロボティクスチームにとっての実務的な教訓は、1つのモデルがスタック全体を置き換えたということではない。Googleがその目標に向けて強く推し進めており、Argonは練習環境の生成、行動計画のテスト、学習前のデモンストレーションのレビューといった用途ですでに役立ちそうだ、ということだ。残る疑問は、専門家によるプロンプト設計なしにこれらのワークフローがどの程度機能するのか、そして入念に演出されたデモの外でどこまで通用するのかだ。
Gemini OmniGoogleはArgonのデモの1つで、動画ワールドモデルとしてGemini Omniを使用した。このワークフローのシーン生成の側面を試してみたい方には、当サイトのカタログで最も近いツールがこちらだ。

