// Google 15.10.2026 · 20:50 Uhr 7 Min. Lesezeit

Google bündelt Robotiksteuerung, Simulation und Datenauswertung in Gemini 4 Argon

Mindverse News

KI-gestützt erstellt 3 Quellen Originalmeldung: the-decoder.com Arbeitsweise

KI-generierte Illustration: Google bündelt Robotiksteuerung, Simulation und Datenauswertung in Gemini 4 Argon — KI-generierte Illustration

Das Wichtigste in Kürze

Google positioniert Gemini 4 Argon als ein Modell für mehrere Schritte der Robotikentwicklung: von der Steuerung realer Roboter über Simulationen bis zur Bewertung von Trainingsdaten. [1][3]
In Googles Beispielen entstehen aus einem Foto mehr als 4.500 simulierte Trainingsdurchläufe; die Erfolgsquote eines realen Roboters soll dadurch von 56 auf 75 Prozent gestiegen sein. [1][3]
Die veröffentlichten Demos beruhen teils auf umfangreichen Anweisungen, vorbereiteten Steuerungsbefehlen und iterativer menschlicher Anleitung; Google nennt nicht für alle Versuche Fehlerraten oder Testumfänge. [1]
Die Leistungsbewertungen fallen je nach Test unterschiedlich aus: Argon erreicht laut Google 87 Prozent im ERQA-Test, liegt in einem späteren Robotikbenchmark laut The Decoder jedoch auf Platz drei. [1][3]
Der Zugang erfolgt stufenweise und ist laut den vorliegenden Angaben an kostenpflichtige Google-Angebote gebunden. [1][3]

// Inhalt · 8 Abschnitte

Ein Modell für mehrere Stationen der Robotikentwicklung
Vom Foto zur Trainingsumgebung
Skizzen, Videos und physikalische Zusammenhänge
Iterative Verbesserung – mit Anleitung und sichtbaren Fehlern
Videos als Quelle für Datenqualität und Fortschrittsmessung
Benchmarks liefern kein einheitliches Leistungsbild
Die Demos hängen stark von den Prompts ab
Forschungssimulationen und Zugang für Entwickler
Quellen

Ein Modell für mehrere Stationen der Robotikentwicklung

Google präsentiert Gemini 4 Argon nicht nur als Modell, das Bewegungsabläufe für einen Roboter erzeugt. Die weitergehende Positionierung umfasst mehrere Aufgaben entlang der Robotikentwicklung: Argon soll physische Szenen verstehen, Steuerungscode erstellen, virtuelle Trainingsumgebungen aufbauen und Videos auswerten, um Trainingsdaten zu beurteilen. Google beschreibt das als allgemein einsetzbares Modell für den gesamten Robotik-Lebenszyklus. [3]

Ein Beispiel aus Googles Präsentation: Der vierbeinige Roboter Spot soll Getränkedosen in einen Abfalleimer werfen, dessen Deckel über ein Fußpedal geöffnet wird. Argon erstellt dafür zunächst eine virtuelle Nachbildung des Eimers in der Physiksimulationsumgebung MuJoCo. Spot übt dort, auf drei Beinen das Gleichgewicht zu halten und mit dem verbliebenen Bein das Pedal zu betätigen. Anschließend soll der Roboter die Aufgabe an der realen Hardware ausführen. [1][3]

Damit zielt Google auf eine Engstelle vieler Robotikprojekte: Fähigkeiten müssen nicht allein am realen Gerät erprobt werden. Simulationen können zusätzliche Übungsfälle liefern, bevor ein System in einer physischen Umgebung eingesetzt wird. Die vorgelegten Beispiele belegen allerdings zunächst, dass Google solche Abläufe demonstriert hat – nicht, dass damit ein universelles oder produktionsreifes Steuerungssystem nachgewiesen wäre. [1][3]

Vom Foto zur Trainingsumgebung

Besonders konkret ist Googles Beispiel zur Erzeugung zusätzlicher Trainingsdaten. Aus einem einzelnen Foto eines Tisches mit Gegenständen soll Argon eine virtuelle Nachbildung der Szene aufgebaut, 77 mögliche Aufgaben abgeleitet und mehr als 4.500 simulierte Trainingsdurchläufe erzeugt haben. Dazu zählen etwa das Aufrichten umgestürzter Gegenstände und das Abräumen des Tisches. [1][3]

Google berichtet, dass sich bei einem Test am realen Roboter die Erfolgsquote von 56 auf 75 Prozent erhöht und die Ausführungszeit von 35 auf 24 Sekunden verringert habe. Diese Zahlen beschreiben das von Google vorgestellte Beispiel, nicht einen unabhängig bestätigten allgemeinen Leistungsgewinn. The Decoder merkt zudem an, dass der Bericht keine Zahl der zugrunde liegenden Versuche für die Erfolgsquote nennt. [1][3]

Das Verfahren steht für eine sogenannte Real2Sim-to-Real-Kette: Eine reale Szene wird in einer Simulation rekonstruiert, dort werden Aufgaben geübt und die resultierenden Bewegungsabläufe anschließend an echter Hardware erprobt. Google beschreibt weitere Eingabewege. Argon soll aus einer Teleoperationsaufzeichnung eine Simulation ableiten und deren Erscheinungsbild sowie Kontaktkräfte an die Aufnahme angleichen können. Aus einem Video aus der Ich-Perspektive soll das Modell Handbewegungen auf einen virtuellen humanoiden Roboter übertragen. [3]

Skizzen, Videos und physikalische Zusammenhänge

Auch eine gezeichnete Szene dient in Googles Demonstration als Ausgangspunkt. In einer Skizze wirft ein humanoider Roboter einen Ball auf einen Turm aus sechs Kartons. Argon soll daraus eine Simulation und eine Wurfbewegung erstellen, die alle Kartons umstößt, ohne den Roboter aus dem Gleichgewicht zu bringen. Der Entwicklerbeitrag beschreibt dafür eine ganze simulierte Szene samt Bewegungsplanung und Prüfung des Ablaufs in der Physikengine. [1][3]

Eine weitere Vorführung nutzt das Videomodell Gemini Omni. Argon fungiert dabei als eine Art Regisseur: Es formuliert zeitlich markierte Anweisungen für Roboterhände, prüft Zwischenbilder der generierten Sequenz und passt die nächsten Anweisungen an. In der Demonstration sollen fünf Scrabble-Steine nach 33 Schritten das Wort „ARGON“ bilden. Das Verfahren findet vollständig innerhalb einer KI-generierten Video-Welt statt; es ist nicht gleichzusetzen mit einem erfolgreich gesteuerten realen Roboter. [1][3]

Für Unternehmen ist diese Unterscheidung relevant. Eine überzeugende Simulation kann Entwicklungsarbeit unterstützen, aber aus den vorliegenden Beispielen geht nicht hervor, wie zuverlässig die Übertragung auf andere Roboter, Sensoren oder Umgebungen gelingt. Als Analyse lässt sich daraus ableiten: Wer solche Systeme evaluiert, sollte Simulationsergebnisse und Tests an realer Hardware getrennt erfassen und die Bedingungen dokumentieren, unter denen ein Bewegungsablauf funktioniert. [1][3]

Iterative Verbesserung – mit Anleitung und sichtbaren Fehlern

Google zeigt außerdem einen Roboterarm, der einen Legostein in eine Holzkiste legen soll. Nach einem ersten Versuch soll Argon Protokolle und Kamerabilder prüfen, eine Ursache für das Scheitern finden und einen korrigierten Ablauf ausprobieren. Laut den veröffentlichten Angaben sank die Ausführungszeit über drei Durchgänge von 58,9 auf 17,4 Sekunden. Beim zweiten Versuch streifte der Stein den Rand der Kiste; erst beim dritten landete er mittig. [1][3]

Das Beispiel demonstriert eine Schleife aus Ausführung, Beobachtung und Anpassung. Es belegt aber nicht, dass Argon ohne äußere Vorgaben selbstständig und dauerhaft neue Fähigkeiten erwirbt. Die Aufgabe und das Vorgehen werden durch einen Prompt strukturiert; laut The Decoder forderte die Anweisung das Modell ausdrücklich dazu auf, Protokolle und Bilder zu prüfen, die Fehlerursache zu bestimmen und einen verifizierten Fix zu verwenden. [1]

Für den betrieblichen Einsatz bedeutet das: Die Fähigkeit, einen Fehler nach einem Versuch zu analysieren, kann ein nützlicher Bestandteil eines Entwicklungsworkflows sein. Wie groß der Nutzen ist, hängt jedoch auch davon ab, wie die Aufgabe beschrieben wird, welche Sensorinformationen bereitstehen und wie ein Mensch den Erfolg überprüft. Die vorliegenden Demos liefern keine vergleichenden Daten dazu, wie oft Argon bei anderen Aufgaben Fehler korrekt diagnostiziert oder behebt. [1][3]

Videos als Quelle für Datenqualität und Fortschrittsmessung

Neben Steuerung und Simulation soll Argon Trainingsmaterial auswerten. In einer von Google gezeigten Sequenz faltet ein zweiarmiger Roboter Origami. Das Modell unterteilt die Aufnahme in Teilaufgaben und markiert unter anderem Pausen, instabile Griffe und misslungene Bewegungen. Solche Abschnitte sollen bei der späteren Trainingsauswertung geringer gewichtet werden. [1][3]

Googles Entwicklerbeitrag beschreibt dafür eine zeitlich abgestimmte Annotation auf mehreren Ebenen: vom übergeordneten Ziel über Teilaufgaben bis zu einzelnen Kontaktbewegungen. In einem weiteren Beispiel soll Argon bei einem Video eines Menschen, der Ringe sortiert, erkennen, wann die Aufgabe vorankommt, stagniert oder Rückschritte macht. [3]

Solche Auswertungen könnten Robotikteams dabei helfen, umfangreiche Videoaufzeichnungen systematischer zu sichten. Das ist eine Analyse der möglichen Anwendung, keine in den Quellen unabhängig belegte Produktivitätsmessung. Die bereitgestellten Texte zeigen weder, wie genau die Markierungen im Vergleich zu menschlichen Bewertungen sind, noch, welchen Effekt die Gewichtung fehlerhafter Abschnitte auf ein fertig trainiertes Robotikmodell hat. [1][3]

Benchmarks liefern kein einheitliches Leistungsbild

Google verweist auf den ERQA-Test, der räumliches und physisches Schlussfolgern in dreidimensionalen Umgebungen prüft. Im Test mit 400 Fragen und ohne Hilfswerkzeuge erreiche Argon nach Googles Angaben 87 Prozent. Der Entwicklerbeitrag bezeichnet dies als Ergebnis, das andere Frontier-Modelle übertreffe. [1][3]

Ein am folgenden Tag veröffentlichter Benchmark von Artificial Analysis zeichnet laut The Decoder ein anderes Bild. Bei AA-Robotics steuern Sprachmodelle einen echten Roboterarm über acht Aufgaben; Argon kommt dort mit 55 von 100 Punkten auf Platz drei. GPT-6 Astra erreicht in diesem Test 69 Punkte, GPT-6.1 Sol 65. [1]

Die Resultate sind nicht ohne Weiteres widersprüchlich: ERQA prüft räumliches Schlussfolgern in 3D-Aufgaben, während AA-Robotics die direkte Steuerung eines realen Arms bewertet. Sie beantworten damit unterschiedliche Fragen. Für Beschaffungs- und Entwicklungsentscheidungen reicht ein einzelner Spitzenwert nicht aus; entscheidend ist, ob die jeweilige Evaluation den konkreten Einsatzbedingungen eines Unternehmens entspricht. Das ist besonders wichtig, weil die verfügbaren Quellen keine unabhängige Gesamtprüfung der Google-Demos enthalten. [1][3]

Die Demos hängen stark von den Prompts ab

Die veröffentlichten Beispiele zeigen nicht ausschließlich eine autonome Steuerung „ohne Vorbereitung“. The Decoder berichtet, dass Google detaillierte Beispiel-Prompts bereitgestellt hat. Bei einer als „Zero-shot“ bezeichneten Aufgabe erhält Argon demnach ein Kamerabild mit einem Koordinatengitter sowie vorgefertigte Befehle wie „greifen“ oder „bis zum Kontakt absenken“. In den Simulationsaufgaben sollen umfangreiche Einschränkungslisten verhindern, dass das Modell Abkürzungen nimmt, etwa Messwerte lediglich zu kopieren. [1]

„Zero-shot“ bedeutet in diesem Beispiel daher nicht, dass das System ohne strukturierende Eingaben oder verfügbare Steuerungsprimitive arbeitet. Vielmehr wird eine Aufgabe ohne vorheriges spezifisches Training demonstriert, aber innerhalb eines vorbereiteten technischen Rahmens. Diese Einordnung ist für Robotikteams wichtig, wenn sie die Übertragbarkeit auf die eigene Hardware prüfen. [1]

Google nennt laut The Decoder für die einzelnen Demos keine Fehlerraten; auch die Zahl der Versuche hinter der berichteten Steigerung der Erfolgsquote von 56 auf 75 Prozent bleibt offen. Daraus folgt nicht, dass die Resultate falsch sind. Es begrenzt jedoch, wie genau externe Leser die Aussagekraft und Reproduzierbarkeit der Vorführungen beurteilen können. [1]

Forschungssimulationen und Zugang für Entwickler

Google zufolge hat Argon außerdem 68 interaktive Browser-Simulationen zu veröffentlichten Robotikarbeiten erstellt. Die Beispiele reichen laut dem Unternehmen von Robotik-Fußball bis zu einem humanoiden Roboter auf einem Skateboard. Der Entwicklerbeitrag beschreibt, dass das Modell dafür Manuskripte und gegebenenfalls veröffentlichte Checkpoints verarbeitet und Simulationen als MuJoCo-WebAssembly-Anwendungen bereitstellt. Das sind browserbasierte Reproduktionen von Experimenten, keine Nachweise, dass die entsprechenden Abläufe auf realen Robotern erneut erzielt wurden. [1][3]

Beim Zugang liegen die Angaben zeitlich gestaffelt vor. Google kündigte Gemini 4 Argon zunächst für eine Gruppe vertrauenswürdiger Cyberabwehr-Tester an und stellte eine spätere Erweiterung in Aussicht. Der Entwicklerbeitrag vom 13. Oktober nennt den Zugang über Google AI Studio und Antigravity für Google-AI-Ultra-Abonnenten sowie über die kostenpflichtige Stufe der Gemini API. The Decoder berichtete am 15. Oktober ebenfalls von einer Verfügbarkeit über diese kostenpflichtigen Angebote. [1][2][3]

Für Unternehmen ist Argon damit zunächst eine Option, die sich in Googles Zugangs- und Entwicklungsumgebung einordnet; aus den Quellen ergibt sich keine allgemeine, kostenfreie Verfügbarkeit. Wer die Eignung prüft, sollte neben der Modellleistung auch den Zugang zu eigener Robotikhardware, den Aufwand für die Prompt- und Simulationsgestaltung und die Validierung im realen Betrieb berücksichtigen. Die Beispiele sprechen für einen integrierten Anspruch über mehrere Entwicklungsphasen hinweg. Ob ein einzelnes Modell diese Aufgaben im Unternehmensalltag tatsächlich hinreichend zuverlässig abdecken kann, ist durch die veröffentlichten Demonstrationen noch nicht abschließend belegt. [1][3]