谷歌 Gemini 4 Argon 杀进机器人圈：会踩踏板扔垃圾，能把你的手绘草图变成物理仿真

10 月 13 日，谷歌开发者博客发了一篇机器人方向的重磅介绍：Gemini 4 Argon，官方定位是"通用物理推理模型"。

先说硬指标。在 Embodied Reasoning（ERQA）基准上，这个测的是模型在 3D 环境里理解和解决物理、空间问题的能力，Argon 纯推理拿到 87.0%，压过所有前沿模型：Claude Opus 5.5 是 82.3%，GPT-6 Astra 是 81.0%。

▲ ERQA 基准，N=400，越高越好（图源：Google 原文，下同）

分数只是开胃菜。这篇文章的主体是 12 个带完整提示词的实战演示，横跨机器人全栈：控制、仿真重建、物理理解、自我改进。我全部看完了，挑最震撼的讲。

一、机器人控制：先在仿真里练，再上真机

第一个 demo 就很有意思。波士顿动力的 Spot 机器狗，要学一个新技能：踩开脚踏式垃圾桶，把可乐罐扔进去。

Argon 的做法是：先自己造一个脚踏垃圾桶的 MuJoCo 数字孪生，在里面练三脚支撑平衡、练踩踏板，练熟了再操控真机。踩下去之前，还要用一个双 agent 验证小组（foot-verifier 和 hand-verifier）分别确认"脚踩正中踏板"和"手在桶口正上方"，两个都过了才松手放罐子。

▲ Spot 发现地上的可乐罐。整条流程是 Real → Sim → 再回 Real

第二个 demo 更极端：零样本控制一条普通机械臂，把倒下的杯子扶正、把皱纸巾塞进去。没有专项训练，Argon 靠一套视觉坐标系（腕部相机上直接画了 2cm 网格和夹爪开合标线）加上一组 curl 调用的动作原语，一个回合一个回合地闭环完成。抓失败了会自己重新观察、自己恢复。

第三个 demo 开始科幻了。Argon 操控的不是真机器人，而是谷歌的 Gemini Omni 视频世界模型里的机器人：把打乱的 G、R、A、N、O 五个字母牌推成一排，拼出"ARGON"。它不是写一条静态指令，而是开闭环：写带时间戳的动作提示 → 看生成的视频帧 → 改提示 → 再来。33 步之后，字母归位。

▲ Argon × Omni 世界模型的闭环：Argon 写动作提示，Omni 生成视频，Argon 看帧纠偏

二、Real2Sim：从真机视频到草图，都能变成仿真

这一块是机器人研究者最眼馋的能力：从真实世界反推出物理校准的仿真环境。

给它一段真机遥操作视频，Argon 能重建出 MuJoCo 数字孪生，然后在一个迭代视觉推理循环里不停调参，直到两个指标达标：仿真渲染的三个相机画面和真实录像对得上，灵巧手指尖的接触力在时序、大小、方向上都和记录的触觉数据吻合。原文还专门立了规矩防作弊：物体只能通过真实物理接触移动，不许改模型参数，不许外加力矩。

▲ 左边四个是真实相机画面，右边是 Argon 重建校准的 3D 仿真场景

输入换成人类第一人称视频也行。Argon 会识别任务相关物体，把粗糙的包围盒换成凸分解网格（这样碗、托盘这类凹形容器才放得下东西），再把人类手腕和手指的 3D 关键点重定向到一台 76 自由度、双手各 22 自由度的人形机器人上，在 500 Hz 的 MuJoCo 接触物理里验证抓取。

但最让我愣住的是第三个：拍一张手绘草图的照片，画的是 Apollo 2 人形机器人扔球砸 3-2-1 盒塔，Argon 就能搭出 GPU 加速的 mujoco_warp 场景，合成一条 140 步的全身投掷轨迹（站姿蓄力、踝髋重心补偿、鞭甩加速、22 自由度五指在速度峰值同步张开），闭环验证 6/6 全击倒，最后导出 Blender 4.5 Cycles 光线追踪渲染。

▲ 左边是画在纸上的火柴人草图，右边是 Argon 产出的物理仿真渲染："6/6 BOXES KNOCKED DOWN"

从纸上的火柴人到物理验证过的五指投掷，中间没有人写一行代码。

三、物理理解：给视频做"事后标注"，还能解天平谜题

机器人训练的痛点之一是数据标注。Argon 展示了一种新活法：给它一段 136 秒的双臂 ALOHA 2 折纸视频，它能产出四层时间对齐的标注体系：整体目标（G1）、6 个连续语义子任务（G2）、17 个接触级原子动作（G3），外加自动质检降权，抓取打滑、重试这些没有进展的片段，进度曲线拉平，行为克隆时权重降到 0.15x-0.25x。

还有一个我很喜欢的 demo：经典 12 球天平谜题的机器人版。12 个外观完全相同的台球，一个偏重或偏轻，双臂 Franka FR3 操作一台 Roberval 双盘天平，Argon 写出一个纯视觉闭环求解器：立体相机三角定位球的位置，靠像素视差读天平倾斜方向，三次称重内把异常球隔离进正确的托盘。抓球进狭窄秤盘时，它还会自己把手腕转 90 度避开凸沿。

▲ 12 球谜题：视觉-only 策略，3 次称重锁定异常球

此外它还能当通用价值函数用：看一段 60 秒的人类双手分拣视频，输出稠密的任务进度曲线，把轨迹切成 28 段并标出正、负、零进度斜率。这个东西直接就是强化学习和数据清洗的基础设施。

四、自我改进：成功率 56% → 75%，三轮迭代提速 3 倍

最硬核的数据在这节。

从一张真实桌面的俯拍照片出发，Argon 自动重建校准的 MuJoCo 孪生、自己定义 77 个任务的课程表、合成闭环轨迹生成器，采了 4500 多条域随机化 episode 拿去微调 VLA 模型。结果：真机成功率从 56% 提到 75%，完成时间从 35 秒缩到 24 秒。

▲ Argon 生成的域随机化仿真数据，绿色框代表该 episode 拿到满分奖励

另一条线是硬件上的自我迭代。一条 6 自由度 SO-101 机械臂做抓取放置，Argon 三轮自我反思：第一轮 58.9 秒，第二轮 22.9 秒（但放下时蹭到了箱沿），第三轮 17.4 秒、正中投放。每轮的诊断、复盘、改代码都是它自己做的，人只负责设定安全规则。

还有一个对科研圈杀伤力很大的演示：一篇机器人论文一条提示词。把 DeepLoco、HUSKY 这类论文的 PDF 丢给它，Argon 能把物理模型和闭环控制器移植成自包含的 MuJoCo WebAssembly 浏览器实验室，精确对齐论文的物理步长、增益、力矩限制，再用无头 Chromium 跑 300 帧验证零报错。原文说已经用这种方式复现了 68 个可交互的浏览器沙盘。

五、怎么用上，以及我的几点想法

获取方式：Google AI Studio（AI Ultra 订阅）、Gemini API 付费档（模型名 gemini-4-argon，走 Interactions API，google-genai SDK 首日支持）、以及 Google Antigravity（Ultra 订阅，可做复杂规划和多 agent 编排）。

读完这篇，我有几个感受：

第一，"物理推理"正在成为一个独立的模型品类。Argon 不是 VLA 动作模型，它更像一个懂物理的通用大脑，下面是控制、仿真、标注、数据合成一整套工作流。谷歌把它称为通往 physical AGI 的一步，这个叙事以后会被反复引用。

第二，VLA 的数据瓶颈可能要换解法了。一张照片 → 仿真孪生 → 4500 条合成数据 → 真机成功率涨 19 个点，这条链路如果站稳，遥操作采数据的商业模式会被冲击。

第三，对做研究的人，"一条提示词复现一篇论文"值得单独警惕和兴奋。68 个浏览器里能跑的论文复现沙盘，意味着审稿、教学、二次开发的成本结构都要变。

当然也要冷静：这些都是官方精选 demo，提示词工程含量很高，真机泛化到非结构化环境是另一回事。但方向是清楚的，机器人的"GPT-3 时刻"之争，谷歌这步棋下得相当凶。

参考：Google Developers Blog, "Gemini 4 Argon for Robotics", 2026-10-13。文中全部数据与图片来自原文，图片版权归 Google 所有。原演示为视频，本文以关键帧/缩略图呈现。