12颗外观相同的球，11颗标准150克，1颗要么270克，要么30克。只允许称3次。

这道经典逻辑题，以前大多出现在数学教程里。现在，Google 把它丢给了两条 Franka FR3 机械臂。

Google 开发者博客发布 Gemini 4 Argon for Robotics。名字听起来像模型更新，重点却明显偏向机器人。素材里，Argon 被定义为面向机器人任务的通用价值函数，也能搭仿真、做纯视觉闭环、复现控制论文。

说实话，第一眼看到这些 prompt，我有点意外。它不像在展示一个会聊天的模型，更像在给物理世界招一个懂代码、懂视觉、还懂力学的实习生。

一道称重题，先考机器人有没有物理常识

素材里的第一个任务很刁。

Google 要求 Argon 生成一个 MuJoCo 环境：桌面上有两条 7 自由度 Franka FR3 机械臂，配平行夹爪，共同解决 12 球天平谜题。12颗球外观无法区分，初始摆成 2x6 阵列。中间放一台两盘 Roberval 天平，用平行四边形约束让左右托盘保持水平，旁边再放红色重球托盘和蓝色轻球托盘。

奖励也很直接：3次称重内，把真正的异常球放进正确托盘，奖励 1.00。

如果只是生成环境，还算常规。第二个 prompt 更像考试。

Argon 要实现一个独立闭环策略，只用头部左右立体 RGB 相机，加上机器人本体感知，关掉特权任务观测。它要分割12颗球、金色和青色托盘、红色和蓝色托盘，再三角化出3D坐标。每次称重后，靠立体垂直像素差异判断天平倾斜：+1 左重，-1 右重，0 平衡。

有意思的是，细节还卡到机械结构。因为托盘窄、边缘凸起，夹爪腕部在抓取和放置时要旋转90度，才能避开障碍。

这类任务真正难的地方，是眼睛、手和物理反馈必须同步。

60秒人类操作，被拆成28个进度条

机器人做长任务，最容易卡在中间态。

素材里，Argon 被拿去看一段 60 秒的人类双臂套环操作，来自 UMI 数据集。输入是三路同步视频：头部、左夹爪、右夹爪。要求很朴素：仔细看视频，给出任务进度曲线，标出重要片段，判断哪些动作在推进任务，哪些动作在原地打转，哪些动作甚至帮倒忙。

Argon 会围绕接触转换反复检查画面，生成密集价值函数和任务进度预测，把整段轨迹拆成28个片段，分别标出正向、中性和负向进度斜率。

个人觉得，这个能力比单次抓取更关键。机器人只有知道自己做到哪一步，才谈得上持续修正。

这相当于给机器人动作装了一个进度条。

一张真实照片，长成4500次训练

真正让我停下来的是仿真数据这段。

Google 给 Argon 一张真实桌面的俯视 RGB 照片。照片里是双臂机器人工作区，桌上摆着派对道具。Argon 要从这张照片出发，自主搭出一个校准过的 MuJoCo 仿真孪生。

它要重建9个派对道具的3D网格和复合碰撞体，匹配真实尺寸、颜色和静止姿态。素材甚至提到，软毛绒帽的皇冠板要做成弹簧铰链可变形结构。

随后，Argon 定义77个单臂和双臂课程任务，包括拾取放置、扶正、定向推动、空中交接、双臂扫推，以及流水线清桌。再生成闭环逆运动学轨迹生成器，加入 ±10 厘米姿态随机化，验证 reward 为 1.0，最后导出4500多个 episode，用于微调通用视觉语言动作模型。

结果很硬。真实物理机器人的成功率从 56% 提升到 75%，完成时间从 35秒压缩到24秒。

老实讲，这段如果成立，价值不止一次演示。它像一条自动数据生产线。照片进去，仿真环境出来，训练数据出来，真机指标再回来。

失败一次，就快一次

第二个自我改进案例更直观。

素材里是一个 SO-101 视觉引导抓放任务，使用简单6自由度机械臂。Argon 被要求分三个阶段推进。

第一阶段，机械臂不许动。它先找到桌上的乐高块和木盒，在图像和现实里定位，生成干跑计划，把所有姿态画到俯视图上。

第二阶段，夹爪悬停在乐高块上方，不接触，用腕部相机确认视觉和机械臂状态一致。

第三阶段，正式自主抓放。失败后，Argon 自己看日志、看腕部和俯视视频，找根因，先在干跑里验证修复，再重试。成功后，还要在安全限制内把速度至少提升2倍。

结果从第一次 58.9 秒，到第二次 22.9 秒，但放置时擦到盒边，再到第三次 17.4 秒正中目标。

这类自我反思，比完美演示更像机器人学习该有的样子。

一篇论文，变成一个浏览器实验室

Argon 还有一个能力，明显偏向科研自动化。

素材称，给一篇机器人控制论文，加上可选检查点或模型文件，Argon 可以把它复现到 MuJoCo WebAssembly 浏览器实验室里。它会读取论文中的物理时间步、执行器增益、扭矩限制和运动学约束，在 MuJoCo XML 中重建，再按论文控制频率跑真实神经推理或 Web Worker iLQR。

它还会生成带相机预设、实时遥测和扰动注入的交互页面，并做 headless Chromium 验证，要求300帧以上有非零任务进度，控制台无错误。

素材列出的例子包括 Robotic Soccer OP3 1v1、DeepLoco、Massively Parallel Deep RL ANYmal C、Whole-Body MPC Go2、HUSKY G1 Skateboarding。Google 称这些来自 Argon 复现的68个交互式浏览器沙盒。

这点我不太认同的地方是，复现论文听起来很爽，但真实科研里的坑往往藏在硬件噪声、参数缺失和训练细节里。单靠一个 prompt，不可能把所有坑填平。

不过，如果它真能把复现门槛压低，机器人论文的消费方式会变。读者不再只看图表，还能在浏览器里扰动一下模型。

评论区先泼冷水：别急着吹

官方叙事很宏大。评论区却很有意思。

有人买 Unitree 人形机器人做开发，提到自己见过 Opus 和 Astra 撞桌子、床和表面，觉得 Argon 4 会采取更多预防措施，避免撞墙和障碍物。

Argon 4 takes a lot of precautions to avoid crashing against walls and other objects!

也有人毫不客气。

有评论说，Google 有这么多资源，本该把竞争对手按在地上摩擦，但这条智能甚至不如 Figure 3。还有评论吐槽，Unitree 机器人都在跑酷，素材里的系统还得被钩子挂着。

更现实的质疑来自算账。

Aren't we still like a decade away from an Argon model being able to run on battery power for any reasonable amount of time...

这位评论者假设模型效率持续提升，硬件功耗持续下降，仍然怀疑距离电池供电的实用机器人还很远。

说实话，我站这部分评论。物理智能不能只看仿真成功率和漂亮进度曲线。机器人要进真实世界，得面对电池、算力、速度和安全限制。

Google 在素材里把 Argon 描述为连接编码、视觉感知、物理仿真和具身机器人控制的一层能力，目标是让机器人与人一起解决复杂挑战。这个方向足够大。只是当 AI 开始自己给机器人造训练场，真正先被改变的，会是实验室、工厂，还是普通人的日常？

【锐评】：Argon 最狠的地方，是让机器人自己造训练场，但电池、硬件和真实世界还没准备好。

参考链接：
https://developers.googleblog.com/gemini-4-argon-for-robotics/