Google DeepMind onthult Gemini 4 Argon voor robotica

👁 115 keer gelezen

Google DeepMind heeft Gemini 4 Argon for Robotics aangekondigd. Dit gespecialiseerde AI-model voor roboticatoepassingen behaalt een score van 87% op de Embodied Reasoning-benchmark (ERQA) en presteert daarmee beter dan elk ander getest frontiermodel op het vlak van ruimtelijk en natuurkundig inzicht. De aankondiging werd op 13 oktober 2026 gedeeld door Kanishka Rao, lead software engineer bij DeepMind.

Wat is ERQA en waarom maakt 87% zoveel indruk?

De benchmark ERQA (Embodied Reasoning and Question Answering) toetst het vermogen van een model om natuurkundige en ruimtelijke vraagstukken in driedimensionale omgevingen te begrijpen en op te lossen. Het gaat hierbij niet om eenvoudige vragen over een afbeelding, maar om complexe beredeneringen: hoe reageert een voorwerp wanneer je het laat vallen, waar bevindt zich het zwaartepunt en hoe moet een robot zich positioneren om tijdens een ingewikkelde beweging niet om te vallen? Argon realiseert deze 87% uitsluitend via pure redeneerkracht (pure reasoning), zonder externe modules of gespecialiseerde natuurkundige tools.

Ter vergelijking: eerdere taalmodellen, inclusief toonaangevende systemen zoals GPT-4o of oudere versies van Gemini, presteerden aanzienlijk minder sterk op dit type taken. DeepMind vermeldt geen exacte cijfers voor concurrerende modellen op dezelfde benchmark, maar stelt duidelijk dat het ieder ander getest frontiermodel achter zich laat. Dat resultaat heeft directe gevolgen voor de praktijk: een robot die door een dergelijk model wordt aangestuurd, kan realtime beoordelen of een greep stabiel is, of een bewegingstraject botst en hoe een plan moet worden herzien zodra de situatie verandert.

Vier toepassingsgebieden: van de Spot-robot tot een handschets

Argon is geen nichemodel dat zich beperkt tot een enkele handeling. DeepMind wijst op vier kerndomeinen binnen de volledige levenscyclus van een roboticasysteem.

Het eerste domein is robotbesturing. Een opvallend praktijkvoorbeeld: Argon bestuurt de vierpotige robot Spot van Boston Dynamics, uitgerust met 12 vrijheidsgraden in de poten en een manipulatorarm met 6 vrijheidsgraden. De taak bestond uit het aanleren van een nieuwe vaardigheid: met de poot op het pedaal van een prullenbak stappen om deze te openen en er vervolgens een blikje cola in deponeren. Voordat het model dit op de fysieke robot uitvoert, genereert het een digitale kopie van de prullenbak in de MuJoCo-simulator. Daar oefent het onder meer het balanceren op drie poten terwijl de vierde het pedaal indrukt. Pas na deze simulatietraining voert Spot de handeling fysiek uit. De robot controleert met zijn frontcamera of de rechtervoorpoot correct op het pedaal staat en verifieert de positie van de arm boven de geopende bak via twee afzonderlijke controle-agents (een foot-verifier en hand-verifier). Dit is een klassieke Real-to-Sim-to-Real-cyclus die Argon end-to-end afhandelt.

Het tweede gebied is Real2Sim: de reconstructie van fysiek gekalibreerde digitale tweelingen van een omgeving. Argon kan een simulatie opbouwen aan de hand van beelden van een robotcamera, egocentrische videobeelden (vanuit het perspectief van een mens) of zelfs een eenvoudige handgetekende schets. Dat levert een enorme tijds- en kostenbesparing op voor laboratoria die anders handmatig simulaties moeten modelleren.

Het derde domein betreft fysiek begrip. Hier fungeert Argon als een systeem voor multimodale datalocatie met retrospectieve analyse (agentic multimodal hindsight labeling). Het model beoordeelt hoe behendig een beweging is uitgevoerd, kent functiewaarden toe aan specifieke stappen in een traject en schat in hoeverre een taak voltooid is. In de praktijk levert dit hoogwaardige trainingsdata op zonder dat menselijke annotators nodig zijn.

Het vierde gebied is onderzoek en zelfverbetering: een iteratieve cyclus waarin Argon zelf optimalisaties voorstelt op basis van simulatieresultaten, deze test en vervolgens de verbeterde aansturing overzet naar de fysieke hardware. Daarmee treedt het model niet alleen op als uitvoerder, maar ook als zelfstandige onderzoeker.

Zero-shot control: wat betekent dit voor robotica-ontwikkelaars?

Een ander opmerkelijk onderdeel is de demonstratie van zero-shot control. Zonder enige voorafgaande training op de specifieke robot stuurde Argon een eenvoudige robotarm aan om een omgevallen beker rechtop te zetten en er een verfrommeld servetje in te leggen. Het model redeneert op basis van beelden van een polscamera met een coördinatenraster (2 cm per pixel in de echte wereld) en verstuurt instructies via curl-commando’s rechtstreeks naar de API van de robot. Om de paar bewegingen formuleert het systeem een korte observatie, plant het de vervolgstap en voert het deze uit. Deze aanpak sluit nauw aan bij hoe autonome software-agents werken in digitale omgevingen, maar is nu direct naar de fysieke wereld vertaald.

Voor ontwikkelaars binnen de robotica betekent dit een belangrijke verschuiving. Voorheen vergde de integratie van een taalmodel met de besturingssoftware van een robot omslachtige abstractielagen. Argon toont aan dat een model zelfstandig de toestand van de omgeving kan interpreteren en direct gestructureerde, machineleesbare opdrachten kan formuleren zonder tussenliggende vertaallagen.

Fysieke AGI: een ambitieus doel met een solide basis

DeepMind spreekt nadrukkelijk over het “versnellen van de vooruitgang richting fysieke AGI”. Hoewel dergelijke claims in de sector soms vooral marketingtaal zijn, liggen hier concrete meetwaarden aan ten grondslag: een score van 87% op een toonaangevende ruimtelijke benchmark, succesvolle aansturing op echte hardware, autonoom leren via simulaties en een gesloten Sim-to-Real-cyclus.

Argon is op dit moment geen commercieel consumentenproduct dat direct te downloaden is. Het gaat om een fundamentele onderzoeks- en engineeringdoorbraak die laat zien welke koers DeepMind met Gemini vaart op roboticagebied. Voor ontwikkelaars en labs die werken aan mobiele robots, magazijnautomatisering of medische robotica is de kernboodschap duidelijk: het ruimtelijk redeneervermogen van AI-modellen heeft het niveau bereikt waarop praktische inzetbaarheid zonder continue menselijke supervisie werkelijkheid wordt.

En dit is pas de eerste publieke demonstratie van wat Argon kan.

// lees verderGoogle DeepMind-experiment: AI-agenten klokkenluidders bij wiskundechaosAI-overzichtGoogle onthult Gemini 4 Argon: 1 miljoen outputtokens en lage prijsNieuwsGoogle brengt AI-kaart uit die 9 miljard DNA-varianten voorspeltAI-overzicht

Kinetyra