【解说】连中七球之前,Argon先自己写了个仿真器当"训练馆"
各位观众,欢迎收看本期赛场名场面,我是阿赵。今天我要解说的这场"投篮训练",可能会改写整个机器人联盟的训练手册。
机器人学一项新技能需要多久?谷歌DeepMind给出的最新答案是:几个小时。在最新前沿模型Gemini 4 Argon的发布演示中,DeepMind展示了一条全新的机器人训练路径:Argon观看人类玩沙包游戏(cornhole)的原始视频,自己解析环境、计算动作、生成仿真,再把学到的技能迁移到Apptronik的Apollo人形机器人上——真机测试中,Apollo连续命中七球。整个流程,DeepMind称之为"视频-仿真-现实"(Video-to-Sim-to-Real)管线。

各位注意这个细节:连中七球之前,Argon先自己动手写了个仿真器。相当于球员上场前,先自己盖了一座训练馆。
四步拆解:模型写的不是动作,是训练馆本身
这条管线的完整过程值得逐步回放。第一步,Argon接收的输入只有一段原始视频——一个人玩cornhole的普通录像,没有任何标注;第二步,模型分析游戏环境,把场景映射为空间坐标;第三步,它计算出完成投掷任务所需的全身关节动作;第四步,也是最关键的一步——Argon自主生成了仿真代码,让学习到的行为得以在仿真中训练、再迁移到真机。
这里的技术要点在于:模型产出的不是一段预编程的控制脚本,而是一个仿真器本身。分析环境、理解空间、推理物理、写出可运行的仿真代码——四个环节全部由同一个通用模型完成,人工工程介入被压到了最低。这正是DeepMind想证明的事:通用AI模型有能力大幅削减"教机器人新物理技能"所需的人工工程量。球员不只学会了投篮,还学会了给自己设计投篮机。
从数周到数小时:瓶颈被重新定义
传统机器人仿真的最大瓶颈从来不在算力,而在建模:工程师需要人工搭建仿真场景、定义物理参数、反复调试验证,一个任务动辄数周。DeepMind对这条新管线的描述颇为直白:"'视频-仿真-现实'管线把数周的人工仿真建模压缩到几个小时,把普通视频变成一个可扩展的、无限的机器人训练场。"
这句话背后的含义值得掂量:互联网上取之不尽的人类活动视频,第一次成了机器人训练的"自来数据"——不需要专门的采集队伍,不需要昂贵的数据工厂,一条视频就是一个待转化的训练场景。对于被真机数据稀缺困扰多年的具身智能行业而言,训练新技能的边际成本曲线由此被改写。从数周到数小时,这相当于把整个休赛期的场馆建设,压缩成了一场赛前热身。
越界的通用模型与87分的体测成绩单
需要说明的是,Gemini 4 Argon并不是一台"机器人专用模型"。谷歌把它定位为面向复杂工程、科学、编码与商业任务的前沿模型,官方称其已用于从优化大型软件代码库到量子计算、核聚变与生命科学研究的各类项目;此次机器人演示,是谷歌"把高级AI推理应用于物理系统"这一更大布局的一部分。模型现可通过谷歌AI产品与Gemini API调用。
不过机器人能力并非空口宣称:DeepMind让Argon做了自家具身推理基准ERQA的测试——该基准衡量模型在三维环境中对物理与空间问题的推理能力,Argon拿到87%的得分。视觉-语义推理、物理理解与自主代码生成三者齐备,才拼出了那条从视频直通真机的完整链条。这份体测成绩单,含金量十足。
终场点评
把这场比赛放进近期的联盟坐标里,趋势愈发清晰:Dream Labs用人类视频直接训练可跨机型的操作模型,Eka Robotics在仿真中用强化学习教机器人"手感",Generative Bionics在意大利造数据工厂,而DeepMind选择让模型自己动手写仿真器。路线各异,指向同一个判断——谁能把"从视频到技能"的链条压得最短,谁就握住机器人时代的训练杠杆。
Apollo的七连中只是一次内部演示,但"普通视频即无限训练场"的判断,已经从设想落到了真机上。这一脚,机器人踢出来了——而训练馆,是模型自己盖的。
以上信息由AI整理发布