Gemini 4 Argon: Google lover én modell for hele robotikkstakken – men tallene er firmarapporterte
Google lanserte 13. oktober 2026 Gemini 4 Argon som en generell fysisk resonneringsmodell som skal dekke hele robotikk-stakken, fra styring til simulering. Men bak markedsføringen ligger firma-rapporterte tall uten uavhengig verifisering, og dekningen avslører at demoene fortsatt krever detaljert menneskelig styring.
Nyheten
Den 13. oktober 2026 publiserte Google et innlegg om Gemini 4 Argon for robotikk på sin Developers Blog, skrevet av principal software engineer Kanishka Rao (Google Developers Blog, kilde 04b9f4e2). Der framstilles Argon ikke som enda en robotmodell, men som en generell fysisk resonneringsmodell som skal kunne anvendes «på tvers av hele robotikk-livssyklusen».
Googles egen oppsummering er ambisiøs: Ifølge selskapet markerer Gemini 4 Argon «et stegskifte i fysisk forståelse, kodegenerering og visuell-semantisk resonnering» — og skal «akselerere fremgangen mot fysisk AGI» (Google Developers Blog, 04b9f4e2). Det er verdt å merke seg at dette er Googles egen rammefortelling, ikke en dokumentert kapasitet.
Google posisjonerer Argon rundt fire påståtte bruksområder: robotstyring, Real2Sim (å bygge simuleringer av den fysiske verden), fysisk forståelse, samt forskning og selvforbedring (Google Developers Blog, 04b9f4e2).
Slik fungerer det: sim først, fysikk etterpå
Kjernen i Argon-demonstrasjonene er et mønster der modellen gjør det kognitive arbeidet før en robot gjør det fysiske: Argon bygger sin egen simulering, trener eller planlegger i den, og overfører deretter resultatet til en ekte robot.
Det mest konkrete eksemplet fra Googles eget innlegg er en Boston Dynamics Spot-firbeint robot, utstyrt med et beinsett med 12 frihetsgrader og en arm med 6 frihetsgrader, som skal lære en ny ferdighet: å tråkke på pedal-mekanismen til en søppelkasse og kaste brusbokser i den. Ifølge Google skaper Argon først en leddfestet MuJoCo digital tvilling av selve pedal-søppelkassen, øver bevegelsene der, og gjennomfører deretter oppgaven i den fysiske verden (Google Developers Blog, 04b9f4e2).
Real2Sim-delen vises i et annet eksempel: Fra ett enkelt bilde av et bord med festrekvisita bygde modellen en virtuell kopi, inkludert en myk plysjlue — altså et objekt med deformbar fysikk, som er notorisk vanskelig å modellere. Modellen kom deretter med 77 ulike oppgaver, fra å rette opp velte gjenstander til å rydde bordet, og genererte over 4 500 treningsepisoder til en kontrollmodell (The Decoder, 80353af9).
Tallene — og hva de egentlig viser
Til skrekk og advarsel for enhver leser av AI-nyheter: Stort sett alle resultatene her er firma-rapporterte.
Den mest fremtredende påstanden er en score på 87 prosent på ERQA, Embodied Reasoning-benchmarken, «med ren resonnering» — som Google hevder er bedre enn alle andre frontier-modeller (Google Developers Blog, 04b9f4e2). Dette er en Google-påstand, ikke et uavhengig verifisert resultat.
Real2Sim-eksemplet har mer detaljerte, men likevel firma-rapporterte tall (The Decoder, 80353af9):
- Suksessraten på den ekte roboten steg ifølge Google fra 56 til 75 prosent etter sim-trening.
- Gjennomføringstiden falt fra 35 til 24 sekunder.
- Grunnlaget var 77 oppgaver som Argon selv kom med, og over 4 500 genererte treningsepisoder.
Forbedringen er betydelig hvis tallene holder — 75 prosent suksess er langt fra pålitelig nok for de fleste virkelige oppgaver, men hoppet fra 56 prosent viser poenget med sim-trening: modellen lærer billig i simulering før den prøver dyrt i fysikken.
I en tredje demo skal Argon ifølge The Decoder ha styrt Googles videobaserte verdensmodell Gemini Omni med tidsstemplede instruksjoner, med mål om å arrangere fem spredte bokstavfliser til å stave «ARGON». Etter 33 steg satt de på plass (The Decoder, 80353af9).
Forbeholdene: menneskelig hjelp og betalt tilgang
Det er her bildet blir nyansert. The Decoders Jonathan Kemper skrev 15. oktober 2026 at demoene «fortsatt krever detaljert menneskelig prompting og veiledning» (The Decoder, 80353af9). Det står i merkbar kontrast til rammefortellingen om én selvstendig modell som dekker hele livssyklusen: I praksis er Argon i demonstrasjonene et kraftfullt verktøy under menneskelig styring, ikke en autonom robothjerne.
Argon er dessuten kun tilgjengelig gjennom Googles betalte utviklerprogrammer (The Decoder, 80353af9) — forskere utenfor selskapet har dermed begrenset mulighet til å teste påstandene selv.
Cornhole-demoen: sosiale medier som kilde
En fjerde demo har sirkulert på sosiale medier i dagene rundt lanseringen, men den er dårligere dokumentert enn de andre. Ifølge en Instagram-post av Sander Wubben, som beskriver en Google-demo, lærte en Apptronik Apollo-humanoid å spille cornhole ved å se en video og deretter skrive sin egen MuJoCo-simuleringskode. Google sier ifølge Wubben at denne video-til-simulering-pipelinen kan kutte uker med manuell modellering ned til timer — men det er en intern demo, ikke en publisert studie, og Google har ikke oppgitt hvor mange forsøk det tok eller hvor lenge det varte (Instagram, 06ecd72b).
En annen Instagram-post, fra CTO ROBOTICS Media, hevder at roboten etterpå traff «7 kast på rad» (Instagram, d78531c5). De to postene stemmer overens om grunnleggende detaljer — Apptronik Apollo, MuJoCo-øving — men de er ikke uavhengig bekreftelse av hverandre; begge er sekundære gjengivelser av Google-medie, og ingen av dem spesifiserer forsøk eller varighet. Tallet «7 på rad» bør behandles som uverifisert. Det er også uklart i kildene hvordan Apollodemoen forholder seg til det offisielle blogginnlegget fra 13. oktober.
Hva som mangler
Det tydeligste trekket ved Argon-lanseringen er hva som ikke finnes: ingen fagfellevurdert studie, ingen teknisk rapport med metodedetaljer, og ingen vurderinger fra uavhengige robotikkforskere i de tilgjengelige kildene. Alt det tallmessige — 87 prosent på ERQA, 56 til 75 prosent suksess, cornhole-resultatene — stammer fra Google selv eller fra sosiale gjengivelser av Google-materiale.
Det betyr ikke at påstandene er feil. Real2Sim-tilnærmingen Argon demonstrerer — at en modell ser en fysisk scene, bygger sin egen simuleringskopi, og trener en robot i den — følger en etablert forskningsretning, og Googles demoer er konkret beskrevne nok til å ta på alvor. Men avstanden mellom «modellen kan gjøre dette når Google styrer den» og «den eneste modellen robotene trenger» er stor, og de åpne spørsmålene er mange: Hvor robust er foto-til-simulering utenfor en kontrollert tabellscene? Hvor mye prompting kreves egentlig per oppgave? Og svarer resultatene seg når noen utenfor Google får lov til å måle?