Google DeepMind anuncia Gemini 4 Argon e atinge 87% em teste de robótica

O modelo opera em quatro frentes do ciclo robótico: controle de robôs, reconstrução do mundo real para simulação (chamada Real2Sim), compreensão física e autoaperfeiçoamento de ações. Na demonstração divulgada pelo engenheiro principal de software Kanishka Rao, o Argon assumiu o controle de um quadrúpede Spot da Boston Dynamics, máquina que soma 12 graus de liberdade nas pernas e 6 no braço articulado. O robô precisava encontrar latas de refrigerante e jogá-las em uma lixeira acionada por pedal. Em vez de testar movimentos no piso às cegas, o modelo construiu um gêmeo digital articulado da lixeira dentro do simulador físico MuJoCo. Ele praticou a postura de apoio em tripé com três patas na simulação antes de pisar no pedal de verdade.

Simulação no MuJoCo treina robô antes da ação física

Para coordenar a operação do Spot, o modelo recebeu comandos em linguagem natural que incluíam instruções para coletar latas de Diet Coke e acionar a lixeira preta com pedal. O sistema usou um esquema de verificação com dois agentes autônomos, chamados foot-verifier e hand-verifier. O primeiro confirmava pelas câmeras frontais se a pata dianteira direita estava posicionada no centro do pedal. O segundo media o alinhamento tridimensional da garra dentro do cesto aberto antes de soltar a lata. Esse método transfere dados visuais e físicos da câmera para a simulação antes de liberar a ação no hardware real.

O DeepMind também demonstrou controle direto com um braço robótico comum, incumbido de endireitar uma caneca tombada e colocar um guardanapo amassado dentro dela. Nesse teste, o modelo orientou seus movimentos com uma grade visual projetada sobre a câmera de pulso calibrada, com coordenadas em centímetros e retículo de fechamento da garra. A cada turno, o modelo emitia uma frase de observação e disparava uma chamada direta via curl com comandos estruturados em comentários # Plan: e # Thought:. O protocolo enviava primitivas de movimento via requisições HTTP do tipo POST http://127.0.0.1:8081/plan.

Chamadas locais via API estruturam primitivas de movimento

As instruções utilizam primitivas de código tratadas como políticas de ação direta. O robô posiciona a visão com robot.look_at(x=0.35, y=0.13, z=0.14, grid_z=0.015) e converte pontos da imagem em coordenadas de mundo com x, y = robot.deproject(u=0.52, v=0.48, z_plane=0.015). Quando precisa agarrar o objeto, executa robot.grasp(x=x, y=y, z=0.015, yaw_deg=-35, pitch_deg=90) e finaliza o posicionamento com comandos como robot.place_until_contact(x=0.24, y=0.06, z=0.015, max_lag=0.012, relief=0.002). O fluxo prevê tolerância a falhas. Se o retorno indica grasp_failed, o modelo reorienta a câmera para recalcular a rota.

A publicação do DeepMind foca os ganhos conceituais e os exemplos de código, mas não detalha preços, datas de lançamento geral, requisitos de infraestrutura nem disponibilidade pública das APIs para desenvolvedores externos. A empresa descreve o Argon como um avanço rumo à inteligência artificial geral física. Essa afirmação vem do próprio laboratório que desenvolveu o modelo, sem auditoria independente publicada até o momento. Por enquanto, as provas práticas se limitam a simulações no MuJoCo e experimentos com o Spot e braços robóticos em ambientes fechados de laboratório.