Gemini 4 Argonが、動画からロボットに投げ方を教える

Google DeepMindは2026年10月13日、AIモデル「Gemini 4 Argon」を使い、人型ロボットに袋投げゲーム「コーンホール」を教える実験を公開しました。人間が遊ぶ動画から動作を分析し、シミュレーション用のコードを生成。実機の「Apollo」は、試験で7回連続の投球成功を記録したとしています。

コーンホールは、小さな袋を離れた場所にある板へ投げ、板の穴に入れるゲームです。ロボットが成功するには、目標の位置だけでなく、腕の振り方や袋を放すタイミングなどを扱う必要があります。

Googleによると、Argonは人間のプレー動画から周囲の位置関係を把握し、必要な全身の関節動作を計算しました。さらに、その動きを検討するためのシミュレーションコードを自ら作成し、Apptronikの人型ロボット「Apollo」での実行につなげました。

実験を紹介したNorman Di Palo氏は、今回の結果を「ゼロショット」と説明しています。これは、対象の作業について専用の訓練例を追加しなくても、既存の能力を使って対応することを指します。

ただし、ロボット本体の制御基盤や、AIが事前に身につけた知識まで不要になったという意味ではありません。今回注目すべきなのは、人間の動画を手がかりに、新しい作業の動きを組み立て、実機へ移した点です。

Googleは、物体や空間について推論する能力を測る評価「ERQA」で、Argonが87％を記録したと発表しています。映像を認識するだけでなく、位置関係や物理的な状況から問題を解く能力を評価するものです。

この点数は、コーンホールの成功率を示す数字ではありません。また、7回連続の成功はGoogleの内部試験の結果であり、距離や袋、照明などを変えても同じ性能を維持できるかは、今回確認できた情報だけでは判断できません。

GoogleはArgonの用途として、ロボットの動作生成、現実の映像からのシミュレーション環境作成、作業の進み具合の判定、シミュレーションや実機を使った動作改善を挙げています。

例えば、現場の映像から仮想環境を作り、その中で動きを検討してから実機で試す開発工程を支援できます。動画の理解とコード生成を組み合わせることで、観察した作業をロボットが実行できる形へ変換する用途が示されています。

Googleの案内では、開発者は提供開始済みのGemini APIの有料枠から「gemini-4-argon」を利用できます。Google AI Ultra加入者向けには、Google AI Studioと開発環境「Google Antigravity」でも提供されています。

ただし、モデルを利用できることと、Apolloで今回の実験をそのまま再現できることは別です。実機で動かすには、ロボットとの接続や制御、安全な試験環境の整備が必要になります。