谷歌要端掉具身研发流水线？Gemini 4包干数据标注、物理仿真、真机控制和评估 - AI

Just Quick Just Quality

热门话题

白天

搜索

资讯

谷歌要端掉具身研发流水线？Gemini 4包干数据标注、物理仿真、真机控制和评估

3 小时前 / 阅读约17分钟

来源：36kr

谷歌发布通用物理推理模型Argon，专注物理世界交互，在ERQA测试中获高分。Argon打通机器人全生命周期，实现零微调下场、视觉伺服规避盲操、重构物理孪生、自动化质检、自主改进闭环迭代。

以 GPT-6 Astra 为代表的通用大模型，虽赋予了机器人强大的视觉与语义推理能力，但由于缺乏高频的力学求解与本体感觉感知，导致“大小脑”严重割裂，只能输出缺乏动态纠错的“盲操指令”。这种“懂语义、不懂物理”的认知缺失，让机器人的实机状态极不稳定：时而展现惊艳的灵巧操作，时而陷入低级的碰撞与失脱。

而谷歌最近发布的 Gemini 4（Argon）为弥合这一断层提供了一个新的解法。在其技术博客中，Argon 被明确定义为一种专注物理世界交互的通用物理推理模型。抛开首发时的行业喧嚣，当我们重新审视其能力底座时，发现 Argon 最核心的护城河建立在其更胜一筹的物理常识之上。

在 ERQA 具身推理基准测试中，Argon 拿到了 87% 的高分，超越 Claude Opus 5.5 （82.3%）、GPT-6 Astra （81%）等前沿大模型，证明了 Argon 强大的物理常识底座。

在目睹了 Argon 的表现后，Google DeepMind 资深机器人科学家 Konstantinos Bousmalis 感叹道：“Argon 目前展现出的能力已经让我惊叹不已，更不用说它未来的发展前景了！这将对机器人技术产生巨大的变革。”

支撑起他这份惊叹的，正是 Argon 在实测中所交出的全链路答卷。凭借原生的三维物理理解、长程代码生成与视频时空推理能力，Argon 作为核心物理编译器，以一己之力替代了以往繁杂的算法组合与团队分工，打通了从控制执行、仿真重构、数据标注到自我改进的机器人全生命周期：

控制执行层：零微调下场，用视觉伺服规避“开环盲操”。
虚拟仿真层：重构 500Hz 物理孪生，填平“虚实鸿沟”。
数据开发层：四层语义自动化质检，免除人工标注。
自主改进层：打通数据飞轮，实现真机算法“原生闭环迭代”

零微调下场，抓空自己纠错

在机器人控制执行的环节，通用大模型长期以来的痛点在于测不准距离、抓空易卡死、盲目硬撞。而 Argon 的核心作用是充当一个自带“物理直觉”与“及时停止”的原生闭环大脑，将粗放的语义指令转化为精准的物理微操。

为什么 Argon 能在不做任何机器人专项微调的情况下，直接接手真机？首先翻开它的底层成绩单：

一方面是极高的三维物理认知：

除了上文提到的 Argon 在考验空间推理与物理常识的具身推理基准 ERQA 上获得最高分87%以外，它在跨领域自动化基准 AutomationBench 上，同样以 51.3% 拔得头筹。这赋予了它读懂坐标标尺、算准空间位置的底层能力。

另一方面是“及时停止”：

在独立评测机构 Artificial Analysis 的 AA-Omniscience 测试中，GPT-6 Astra 与 Claude Opus 5.5 的幻觉率分别高达 51% 和 59%，而 Argon 将幻觉率死死压在 15%，不到竞品的三分之一。这意味着，面对知识边界和不确定的问题，Argon 在该项测试中更少给出错误却自信的回答。若放到机器人语境，可以理解为它可以给真机装一道“最后关卡”——看不清时不盲目指挥，而是先核实再动手。

所谓的“幻觉率”，测的是当大模型遇到自己看不清或拿不准的问题时，到底有多大概率会“不懂装懂、自信地瞎编一个错误答案”，而不是老实承认不确定并停下来核实。

谷歌给出的第一个实测现场是多智能体协同控制-机器狗投掷垃圾：

一只腿部 12 个自由度、机械臂 6 个自由度的波士顿动力 Spot 机器狗，接到的是一个高难度连贯任务：把前方的可乐罐捡起来，扔进带有脚踏板的黑色垃圾桶里。这不是简单的抓和放，机器狗得先用三条腿站稳，腾出右前腿去踩开垃圾桶踏板，同时机械臂还得瞅准时机把易拉罐送进桶口。

面对极其考验手脚配合的操作，Argon 采取了“先虚拟预演、再多智能体核验”的控制策略：

它先在 MuJoCo 物理仿真器里建立一个带开合翻盖关节的脚踏垃圾桶，自己在脑子里把“三足站立、踩踏板开盖”的动作提前演练了一遍。
真机落脚前，先调取前置相机，确认右前脚对准踏板中心；
踩踏过程中，后台派出两个独立 AI 助手同时盯防：只有当“足部验证器”确认踩稳踏板顶开桶盖、且“手部验证器”确认机械臂对准桶心后，才下令松爪投放，将可乐罐送进桶里。

如果说机器狗扔垃圾靠的是“先演练、再互查”，那要是遇到完全陌生、也没法提前建仿真的任务，Argon 还能应付吗？

紧接着的第二个实验，就是厘米级动态纠错（机械臂扶正水杯）：

在零样本的桌面实机操作下，面对倒下的水杯，Argon 并没有让机械臂执行危险的“开环盲抓”，而是使出了一套极具容错率的视觉伺服策略：

降维建立锚点： 在二维画面上直接投射精确到 2 厘米的坐标标尺与夹爪准星，将复杂的三维抓取转化为精准的视觉对位。
闭环伺服微调： 彻底摒弃传统程序一次性给坐标的“开环盲猜”，转而采用“看一步、动一步”的实时测算机制。
自主纠错兜底： 即使中途抓空也绝不报错宕机，而是立刻触发“抬头重看 → 重新解算 → 再次下爪”的补救循环，依靠原生物理直觉稳稳将失误圆回。

第三个实测是零雷达安全避障（宇树人形实测验证）：

一位刚入手宇树（Unitree）人形机器人的开发者在 Hacker News 社区里分享了实测体验：在关闭宇树人形机器人激光雷达、仅靠纯视觉控制时发现：相比于其他大模型带着机器人撞向桌椅，换上 Argon 后，机器人快走到桌前会主动放慢脚步、拐弯避障，最后稳稳绕到桌子正前方辨认物品。

看到 Argon 的表现，Google DeepMind 资深研究科学家 Thomas Kipf 在 X 上直言：“前沿大模型如今已经能够直接实现零样本机器人控制，Argon 在这领域展现出的能力太让人振奋了。”

这一系列实测表明，通用大模型正在跳出单纯的“高层任务拆解”，展现出基于视觉反馈的原生闭环控制能力。

随手一张图，秒建物理仿真

在机器人的研发全链路中，实机微操往往是最后一步；而在开动真机之前，构建高保真的数字孪生环境进行虚拟预演，又是一步难跨的工业门槛。

以前搭一个虚拟环境全靠工程师“手搓”，需要用尺子量物体大小、手写几百行建模代码，并反复调试物体的质量与摩擦力参数，动辄耗上数周时间。如今，Argon 练出了第二项绝活——看一眼现实画面，就能全自动生成物理仿真环境（Real2Sim）。

Argon 将这一繁重的物理重构过程，压缩成了极度简化的“自动翻译”（Real2Sim）——仅需输入一段现实画面或草图，便能直接输出可运行的 3D 物理引擎代码。

视频 1:1 孪生（解构机器人录像）

第一组实验是先给 Argon 播放一段第三视角的真实机器人遥操作视频。接收录像后，Argon 能直接生成 MuJoCo 引擎的三维数字孪生代码，并通过视觉反推，自动补齐物体的质量与关节阻尼。

在严禁代码作弊（如偷偷添加虚假外力或直接修改物体坐标）的前提下，其构建的虚拟环境连灵巧手指尖的物理接触动力学，都能与真实录像严丝合缝地对齐。

跨物种动作映射（解构人类视频）

较之第一组，第二组实验是一段以人类第一视角为主的双手拿放物品的视频。

即使面对骨骼结构截然不同的人类双手拿放视频，Argon 也能将人手动作精准转化为关节逆运动学（IK）代码，并无缝“移植”至一台全身 76 个关节、配有 22 个自由度五指灵巧手的人形机器人上。

在生成的虚拟空间内，机器手全凭原生指尖摩擦力稳稳抓取物品，全程无穿模与打滑现象。

这一组比较夸张的是，哪怕连视频都没有，工程师仅凭一张随手画的“人形机器人丢球砸倒桌上 6 个金字塔堆叠箱子”的简笔草图拍照上传，Argon 也能瞬间读懂二维笔触背后的三维空间排布，自动写出物理仿真环境与 140 步全身抛投轨迹，在闭环物理引擎中实测验证“6 个箱子被一击全中”后，顺手还调用 Blender 渲染出了一段光影逼真的视频。

凭借这种“看图即建模、写码即仿真”的能力，Argon 不仅在工业级测试中大放异彩，更迅速向下兼容，成为了社区开发者手中的“破圈”利器。

随着 Antigravity 平台上线，有开发者用手机拍摄了几张杂乱的办公桌照片，上传之后，Argon 便转眼调起 Blender 和 Three.js 引擎，将真实的键盘与水杯逆向还原成了一个带有真实碰撞效果的 3D 桌面赛车游戏。

甚至有极客玩家，直接让 Argon 从零编写机械臂模型、配置网页 3D 仿真与控制接口，在毫无人工干预的情况下，现场“组装”出了一台能自动还原魔方的虚拟机器人。

看一眼画面，就能自动写出全套 3D 物理引擎代码，这种跨模态工程能力的背后，源于 Argon 极致的代码生成与三维几何推理能力。

在官方公布的数据中，Argon 不仅拿下了 3D 空间与蓝图几何基准 Blueprint Bench 2 的榜首，更在真实软件工程基准 DeepSWE v1.1 上拿下 77.9%（第一），在应用构建基准 Vibe Code Bench 上斩获 91.9%（第一），超越 Claude Opus 5.5（74.2% / 90.3%）与 GPT-6 Astra（74.1% / 89.6%）。

依托三维空间感知与代码工程实力，Argon 打通了从二维视觉输入到三维物理仿真代码（Real2Sim）的全自动生成闭环，让高门槛的物理仿真建模变成了“看图即建模、写码即仿真”的自动化工程。

化身质检员，揪出废动作

教机器人干精细活，数据质量历来是最大掣肘。由于人类遥操作录像不可避免地夹杂着停顿与抓滑等瑕疵帧，直接投喂会教出动作笨拙的机器人，而人工逐帧清洗又面临着极高的成本壁垒。

而 Argon 给出了一个颠覆性的解法：Argon 不仅仅是一名操作者，更是一名“通用视频质检员”。凭借原生的长视频理解能力，Argon 无需单独训练专门的奖励模型，就能看懂“哪些动作有效、哪些动作是废操作”，从而自动完成海量数据的高优清洗：

四层语义解构（双臂折纸狐狸）

视频画面中，双臂 ALOHA 2 机器人正在将一张正方形纸折成狐狸的样式。折纸看似简单，对机器人却颇具挑战：一只机械臂要固定纸张，另一只则要配合折叠、旋转和压平折痕。操作过程中，夹爪难免出现抓握不稳、停顿和反复尝试的情况。

Argon 通读视频后，给出一套与视频时间轴对应的四层标注：

先定下把纸折成狐狸的总目标；
再把全程切分为 6 个阶段，理清左右手分工；
紧接着细化出 17 个接触级动作；
最后精准揪出夹爪打滑、纸张分层等无效操作，明确将这些失误帧标记为停滞，建议在后续训练中直接把权重砍至 15% 到 25%。

基于此，后续模型在学习时就会自动忽略这些手滑的废动作，只吸收干净利落的正确操作。这也意味着原本需要人工逐段检查和标注的操作数据，如今可以由通用大模型辅助完成处理。

实时状态推演（双臂分拣戒指）

除了挑错，Argon 还能精准判定任务进度。在穿戴式夹爪的三机位同步录像中，面对 60 秒的复杂操作，Argon 充当起了“通用价值函数”。它能围绕手指接触戒指的瞬间，画出实时起伏的任务进度曲线，将哪一步在推进、哪一步在停顿、哪一步在倒退，拆解成了 28 个逻辑极其清晰的训练片段。

能把一帧帧像素画面，看懂成“物理状态的有效推进”，离不开 Argon 原生的长视频理解能力。在长视频理解基准 LVBench 上，Argon 直接打出了 91.7% 的全场最高分，大幅甩开了 GPT-6 Astra 的 87.5%、Claude Opus 5.5 的 83.7% 以及 Claude Fable 5.1 的 79.7%。

这意味原本需要耗费庞大的人力团队去逐段检查、打标和剔除的操作数据，如今完全可以交由 Argon 自动化流水线完成。它不仅将工程师从繁琐的数据泥潭中彻底解放出来，更让机器人底层控制模型（如 VLA）只吸收干净利落的正确操作，从源头上保证了“微操”的下限。

自己造数据飞轮

当一个底座模型既能全自动搭建仿真，又能化身质检员清洗数据时，将这两项原生能力在底层闭环耦合，便催生出了物理世界里的“自主改进”。

在研发链路的最顶层，Argon 摒弃了传统人工喂数据的被动模式，单凭强大的长程推理能力，便跑通了从“三维重建、任务编排到批量合成”的完整自我改进飞轮：

零样本虚拟造数（双臂桌面实测）

研究人员只给了 Argon 一张双臂 Franka 机器人工作台的俯视静态照片，桌上散落着红色的帽子、眼镜等 9 件派对的拍照道具。

没有任何人工协助，Argon 单凭一张静态照片，就全自动跑通了从三维重建、任务编排到批量合成训练数据的完整飞轮：

先照着照片里 9 件道具的尺寸、颜色和姿态，在 MuJoCo 里一比一重建了 3D 虚拟桌面，甚至给软毛绒帽加上了带弹簧铰链的可变形皇冠；

接着自己编排了包括单双臂抓取、扶正、推物、空中交接在内的 77 项训练科目，并在不断随机变换道具位置的虚拟环境里，一口气自动采集了超过 4,500 条 成功的训练轨迹。

研究人员拿 Argon 自己造出来的 4,500 多条虚拟经验，去微调通用的视觉-语言-动作（VLA）模型并装回真实的双臂机器人身上，效果立竿见影：在不增加任何一条真机采集数据的情况下，真机干活的平均成功率直接从 56% 飙升到了 75%，平均完成时间更是从 35 秒缩短到了 24 秒。

真机自主复盘纠错（单臂乐高分拣）

在真实硬件上，Argon 同样展现出自我纠错能力。在操控 6 自由度机械臂抓取积木时，它每完成一轮便主动调取运行日志与录像进行“复盘”。发现上一次放积木擦碰边缘后，下一把立刻主动修正轨迹。仅需 3 轮自我迭代，操作耗时便从首轮的 58.9 秒压缩至 17.4 秒，任务耗时减少约 70%。

前沿论文一键复现（算法沙盒复刻）：

最后，谷歌展示了一个跨模态的自动化工程实践：用一句话（One-prompt）把机器人论文复现进浏览器里。

哪怕是《DeepLoco》、《HUSKY》、《Whole-Body MPC》这类具有复杂控制网络与轨迹优化算法的论文，研究人员也只需输入一句提示词，连同论文 PDF 与开源权重一并丢给 Argon。Argon 便能通读全文并精准还原电机增益等物理参数，直接生成可交互的网页仿真沙盒。更关键的是，它还会自主调用无头浏览器（Headless Chromium）连跑 300 帧完成零报错自检。目前，已有 68 篇论文完成了全自动复现。

从榜单上看，在 GraphWalks 百万上下文推理榜单（256K–1M） 上，Argon 拿下了 84.2% 的高分，领先 GPT-6 Astra（71.8%）、Claude Opus 5.5（66.8%）和 Claude Fable 5.1（65.0%）超过 12 个百分点，并支持高达 100 万 Token 的上下文窗口，展现出处理复杂长程任务的潜力。

此外，谷歌 CEO Sundar Pichai 分享的一项极限测试更是印证了其工程耐力：面对复杂的机械 CAD 图纸，Argon 在无人干预的情况下，自主执行了 1,000 轮“写代码、看渲染图、修代码”的极限闭环，最终交出了一段丝滑的工业级爆炸拆解动画。

由此可见，Argon 已将仿真生成、动作质检与超长程代码工程彻底打通，真正成为了驱动机器人算法自我改进的自动化引擎。

正如人形机器人明星公司 Agility Robotics 的 AI 负责人 Chris Paxton 所感叹的：以 Argon 为代表的前沿模型，正在从根本上改变行业对机器人通用智能构建方式的既有假设。