Google chce, aby robotům stačil jediný model AI

Jedna fotka stačí na tisíce tréninkových scénářů

Nejlepší způsob, jak pochopit, co Argon umí, je podívat se na konkrétní demo. Robot Spot od Boston Dynamics má házet plechovky do odpadkového koše s pedálem. Než se dotkne skutečného pedálu, Argon jako hlavní model v širším systému pomůže připravit virtuální kopii koše a simulátor v ní umožní robotovi natrénovat balancování na třech nohách. Teprve pak úkol zkusí na reálném hardwaru. Než plechovku pustí, dva další AI agenti zkontrolují, jestli jsou noha a úchop na správném místě.

Stejný vzorec se opakuje napříč ukázkami, které Google zveřejnil na svém vývojářském blogu. Podle údajů prezentovaných Googlem systém z jedné fotky stolu s párty rekvizitami postavil virtuální repliku včetně měkké látkové čepice. Vymyslel 77 úkolů, od napravování převržených předmětů po uklízení stolu, a vygeneroval přes 4 500 tréninkových epizod. Na skutečném robotovi pak podle Googlu úspěšnost stoupla z 56 na 75 procent a čas provedení klesl z 35 na 24 sekund.

Model přitom nepotřebuje ani hotovou fotografii. V jedné z ukázek Google popisuje, jak Argon spolu s dalšími nástroji z nahrávky teleoperovaného robota připraví simulaci, která má vypadat stejně a replikovat i naměřené síly na konečcích prstů. Z videa z pohledu první osoby, kde člověk něco uchopuje, přenese pohyby ruky a prstů na virtuálního humanoida s pětiprstýma rukama. Funguje dokonce i náčrt propiskou. Kresba humanoidního robota, který míčkem shodí pyramidu z krabic, se převede na simulaci, jež spočítá vrh tak, aby spadlo všech šest krabic a robot nespadl.

Řízení, simulace a kontrola dat v jednom systému

Jedna ukázka se odehraje celá v AI generovaném videu. Vedle Argonu v ní funguje další generativní světový model, který vytváří klipy zachycující, jak se scéna mění, když se v ní něco stane. Argon v tomto případě dělá režiséra a píše časově označené instrukce, co mají ruce dělat. Cíl je seřadit pět rozházených písmenek tak, aby dávala slovo ARGON. Po 33 krocích jsou ve správném pořadí; jde o počet kroků prezentovaný Googlem v této ukázce.

V jiné ukázce s jednoduchou robotickou paží měl Argon vložit kostku Lega do dřevěné krabice a postupně se zlepšovat. Když pokus selhal, prompt mu nařídil projít vlastní záznamy a snímky z kamery, najít příčinu a zkusit to znovu po ověřené opravě. Podle časů uvedených Googlem první běh trval necelou minutu, druhý 23 sekund, třetí přistál přesně uprostřed za zhruba 17 sekund.

Google chce, aby Argon sloužil i vědcům. Na jeden prompt na článek rekonstruuje publikované robotické experimenty jako interaktivní simulace spustitelné v prohlížeči. Zatím podle Googlu vzniklo 68 takových interaktivních simulací, včetně robotického fotbalu a humanoida na skateboardu. Model má navíc hodnotit tréninková data. Ve zhruba dvouminutovém videu, kde dvouruký robot skládá origami lišku, rozdělí postup na dílčí kroky a označí pauzy a zkažené úchopy. Tyto pasáže se pak při tréninku váží méně.

Vlastní benchmark vs. nezávislé měření

Benchmark ERQA (Embodied Reasoning Question Answering) testuje, jak modely řeší fyzikální a prostorové úlohy ve 3D. Použil 400 otázek bez pomocných nástrojů, takže modely musely všechno vyřešit jen uvažováním. Argon dosáhl podle výsledků prezentovaných Googlem 87 procent, před Claude Opus 5.5 s 82,3 procenta a GPT-6 Astra s 81 procenty. Claude Fable 5.1 zaostal na 74 procentech, tedy o 13 bodů. Jde o údaje uváděné Googlem, nikoli o obecně platné pořadí všech modelů.

Jiný obrázek dává benchmark AA-Robotics od Artificial Analysis, tedy jiné, později zveřejněné měření. Jde o výzkumný náhled ve verzi 0.1, v němž jazykové modely přímo řídí skutečnou robotickou paži s pěti klouby a chapadlem v osmi úkolech. Argon skončil třetí s 55,3 body ze 100, za GPT-6 Astra se 69,4 a GPT-6.1 Sol s 64,6 body. Rozdíl mezi oběma testy dobře ukazuje, že vysoké skóre v úloze o uvažování nad fyzikou ještě neznamená, že model nejlíp řídí skutečný hardware. Vlastní čísla Googlu a nezávislá čísla Artificial Analysis se tu rozcházejí, a to je informace, kterou stojí za to sledovat.

Kolik to stojí a kde to spustíte

Podklady zmiňují přístup k Argonu přes Google AI Studio a vývojové prostředí Antigravity, dostupnost je však podle nich zatím omezená a počítá se s rozšířením k předplatitelům Google AI Ultra. Nejde proto o jednoznačně potvrzený veřejný přístup. Přesné podmínky ani datum širšího zpřístupnění nejsou potvrzené a z dodaných podkladů nelze spolehlivě potvrdit ani přístup vývojářů přes placenou vrstvu Gemini API. Konkrétní ceny, případná sleva za cachovaný vstup ani datum změny ceníku zde nelze bez aktuálního primárního ceníku spolehlivě potvrdit, proto je neuvádím. Stejně tak z dodaných podkladů nelze potvrdit miliontokenové kontextové okno.

Pro Česko to zatím znamená hlavně možnost experimentovat přes API, pokud je konkrétnímu uživateli takový přístup poskytnut. Model je vícejazyčný, konkrétní kvalitu češtiny v robotických úlohách ale Google samostatně neuvádí. Kdyby se podobný systém měl řídit roboty v továrně, jeho zařazení podle regulace EU AI Act by záviselo na účelu a konkrétním nasazení. Bezpečnostní funkce a některá nasazení mohou podléhat přísnějším požadavkům než běžný chatbot. Český průmysl a automotive přitom patří mezi největší uživatele průmyslových robotů v Evropě, takže tohle téma není akademické cvičení.

Kolik lidské práce v demech zbývá

Google zveřejnil i podrobné příklady promptů, a ty dávají velká tvrzení do správného měřítka. Napravení převrženého hrnečku, označené jako „bez předchozího tréninku", dostává snímek z kamery s centimetrovou mřížkou a předpřipravené příkazy jako „uchop" nebo „spusť, dokud se nedotkne". U simulací jsou dlouhé seznamy zákazů, aby model nepodváděl, třeba kopírováním naměřených hodnot ze senzorů. Google v příspěvku neuvádí míru selhání jednotlivých demo scén a úspěšnost 75 procent nemá řečeno, z kolika pokusů vychází.

Všechny ukázky tak zatím stojí na detailním lidském zadávání a koordinaci více AI agentů, simulátorů a dalších nástrojů. Ambice mít jeden model pro celou robotiku je jasná, reálná opora v promptech a celém agentním systému je ale pořád stejně důležitá jako samotný model.