背景
Google DeepMind 在机器人领域的尝试一直围绕"物理 AGI"目标展开。此前已有 Gemini Robotics-ER 1.6 专门处理空间感知和任务规划，但这次的 Argon 走得更远：它想用一个模型替代原本分散在机器人开发流程中的多个环节。传统方案需要分别处理控制算法、仿真环境搭建、训练数据筛选，而 Argon 声称能同时完成这三项工作。这种整合路线并非首创，Nvidia 的 DreamDojo 已经尝试将真实场景转为视频形式的仿真，World Labs 也在做类似的场景重建。Argon 的特殊之处在于它不区分控制端和仿真端，试图用统一的空间理解能力贯穿整个流程。
核心原理
Argon 的工作方式可以拆成三条线。第一条是生成仿真环境。输入一张桌面聚会道具的照片，模型会重建虚拟场景，包括柔软的毛绒帽这类难建模的物体，然后自动设计 77 个操作任务，生成超过 4500 个训练回合。这些仿真数据让真实机器人的任务成功率从 56% 提升到 75%，执行时间从 35 秒缩短到 24 秒。输入源可以是远程操作录像、第一人称抓取视频，甚至是圆珠笔手绘草图——一幅机器人用球击倒箱子堆的简笔画能被转换成物理仿真，计算出不让机器人摔倒的投掷动作。
第二条线是直接控制。在波士顿动力 Spot 四足机器人的演示中，Argon 让它用三条腿站立、踩开垃圾桶盖、投掷易拉罐。执行前先在 MuJoCo 仿真器中预演整个动作序列，两个额外的 AI 代理实时验证脚和抓手的位置是否正确。另一个案例里，机器人手臂三次尝试将乐高积木放入木盒，第一次耗时 58.9 秒，第二次 23 秒但积木擦到盒边，第三次 17.4 秒且准确落入盒心。每次失败后，提示词会要求 Argon 检查日志和相机图像，找出错误原因再重试。
第三条线是数据评估。给定一段两分钟的双臂机器人折叠折纸狐狸视频，Argon 将动作分解成子步骤，标记出停顿和抓取失误的片段，降低这些部分在训练中的权重。在人类整理环形物的视频里，模型追踪任务进度，识别出哪些阶段在倒退。
局限
Google 公布的提示词暴露了实际操作的复杂度。所谓"零样本"让机器人扶起倒杯子的演示，实际上相机画面叠加了厘米网格，模型可以调用预定义的"抓取""降低直到接触"等指令。生成仿真环境时，提示词里包含长篇禁止列表，防止模型走捷径直接复制传感器数值。博客文章没有披露各个演示的失败率，75% 的成功率也没说明基于多少次总尝试。
在 Artificial Analysis 发布的 AA-Robotics 基准测试中，Argon 在八项真实机器人手臂控制任务中得分 55（满分 100），排名第三，落后于 GPT-6 Astra 的 69 分和 GPT-6.1 Sol 的 65 分。这个结果与 Google 自己的 ERQA 基准（空间和物理推理问答，Argon 得分 87%）形成对比。ERQA 测试 3D 环境中的推理能力，不涉及真实硬件操作，而 AA-Robotics 要求模型直接控制实体机械臂，两种测试场景的差距反映出仿真推理和实时控制之间的鸿沟。
Argon 目前仅通过 Google AI Ultra 订阅和 Gemini API 付费层级开放，已在全球上线，但尚未公布定价细节。
对开发者的意义
Argon 试图解决的是工具链碎片化问题。以往开发者需要分别处理物理引擎调参、控制算法编写、训练数据清洗，现在理论上可以用自然语言描述需求，让单一模型生成仿真场景、执行控制逻辑、过滤低质量数据。这种整合能降低机器人开发的技术门槛，特别是对缺少专业仿真工程师的小团队。
但实际应用中，开发者仍然需要编写详尽的提示词，明确禁止项、坐标系、传感器读数格式。Google 展示的演示案例都附带长篇提示词模板，这些模板本身就是专业知识的浓缩。从草图生成仿真听起来简单，但要让模型理解"机器人投球后不能倒"这类物理约束，需要在提示词里显式声明。模型不会自动推断安全边界或任务优先级，人工干预点从代码层转移到了提示词层，工作量未必减少。
Argon 在真实硬件上的表现距离生产可用还有距离。AA-Robotics 测试中 55 分的成绩意味着接近一半的操作失败或偏离预期。Google 已经做了 68 个论文重现沙盒，但这些都是在浏览器中运行的仿真，与真实环境的传感器噪声、机械误差、不可预测的物理接触相比，复杂度不在同一量级。开发者如果打算用 Argon 部署生产级机器人系统，需要准备好大量调试周期和回退方案。
原文地址：tools.wflynn.cn/aitools/tre…
关注公众号「YourTools」，每天推送 GitHub 趋势与开源工具速报：
