Robot nauczył się gry z jednego filmu. Gemini 4 Argon i Apollo pokazują przyszłość AI

Od filmu do ruchu robota: jak działa ten proces?

Google opisał eksperyment Video-to-Sim-to-Real. Model otrzymał materiał przedstawiający człowieka wykonującego rzuty. Następnie miał odtworzyć układ przestrzeni, oszacować ruch, stworzyć kod symulacji fizycznej i znaleźć sekwencje ruchu odpowiadające mechanice Apollo. Dopiero po ćwiczeniach i korektach model trafiał na rzeczywistego robota.

Taka metoda jest istotna, bo budowanie symulatora dla każdego nowego zadania bywa czasochłonne. Gdy AI potrafi przygotować własne środowisko ćwiczeń na podstawie obserwacji, teoretycznie może skrócić etap przygotowania programu. Nie oznacza to jednak, że dowolny film internetowy w kilka minut nauczy dowolnego humanoida bezpiecznie wykonywać pracę.

Siedem trafień — ale nie siedem idealnych pierwszych prób

Oficjalna publikacja Google mówi o siedmiu kolejnych trafieniach w realnym teście. Bardziej szczegółowy publiczny opis przebiegu eksperymentu, przedstawiony przez prowadzącego pokaz inżyniera Takahiro Miki i zrekonstruowany przez Robotics Weekly, obejmuje nieudane rzuty oraz poprawki chwytu, balansu i trajektorii.

Pierwsze problemy miały dotyczyć m.in. wypadającego woreczka, zbyt krótkiego lub zbyt długiego rzutu oraz ryzyka kolizji ruchu ręki z obudową uda. Ważniejsze od medialnego „7/7” jest to, że system iteracyjnie korygował parametry, korzystając z obserwacji. To jednak nadal eksperyment prowadzony w kontrolowanych warunkach, a nie niezależna ewaluacja ogólnej zręczności.

A co z benchmarkiem 87%?

Google podaje też 87% w teście Embodied Reasoning (ERQA) dla Argona. Ten wynik odnosi się do benchmarku rozumowania przestrzennego i fizycznego, a nie do 87-procentowej skuteczności pracy robota na hali czy 87% trafień w cornhole.

To jedna z pułapek komunikacji o Physical AI: test modelu, wideo pojedynczego zadania i operacyjne KPI zakładu mierzą trzy różne rzeczy. Kupujący system robotyczny powinien oczekiwać oceny na swoich zadaniach, w nieznanych wcześniej warunkach i przy mierzonej liczbie interwencji człowieka.

Dlaczego to może być ważniejsze od kolejnego salta

Umiejętność przenoszenia wiedzy z obserwacji do symulacji i świata fizycznego dotyczy jednego z podstawowych problemów robotyki: generalizacji. Dziś przedsiębiorstwo nierzadko musi zorganizować dane, scenariusze, safety, stanowiska i programowanie osobno dla każdej nowej operacji. Skuteczny pipeline skróciłby tę drogę.

Jednak cornhole to prostszy i bardziej przewidywalny cel niż praca obok ludzi, przez wiele godzin, z nieregularnymi elementami. Google nie opublikował jeszcze porównywalnej miary wielotygodniowej niezawodności komercyjnych zadań opartych na tym podejściu.

Werdykt RoboMorrow

Oto demonstracja, którą warto śledzić: nie dlatego, że humanoid wygrał w grę, lecz dlatego, że AI częściowo automatyzuje tworzenie środowiska uczenia. Jeśli metoda przeniesie się z gry na logistykę, kontrolę jakości czy manipulację wieloma przedmiotami, jej znaczenie może być większe niż sam pokaz.

Na dziś wiemy, że test był wewnętrzny, obejmował korekty i prezentuje konkretny scenariusz. Warto oglądać go obok karty Apptronik Apollo 2, by nie mylić technologii demonstracyjnej ze standardową ofertą handlową.

Najczęstsze pytania

Czy Apollo nauczył się gry po jednym filmie?

Film był wejściem do pipeline’u symulacyjnego; eksperyment obejmował budowę modelu, testy i poprawki, nie tylko pojedyncze obejrzenie klipu.

Czy siedem trafień nastąpiło za pierwszym razem?

Nie należy tak tego opisywać. Relacja z przebiegu pokazuje próby nieudane i korekty przed serią udanych rzutów.

Czy można kupić tę funkcję jako gotowy produkt?

Nie potwierdzono standardowej oferty komercyjnej pozwalającej w tej chwili wdrożyć identyczny proces na dowolnym Apollo.

Źródła i weryfikacja

• Google — ogłoszenie Gemini 4 Argon
• Google DeepMind — film demonstracyjny
• Google DeepMind — strona Gemini
• Robotics Weekly — analiza przebiegu i prób

Demonstracja pochodzi z Google DeepMind; RoboMorrow nie testowało modelu Gemini 4 Argon ani robota Apollo.

Autor: Redakcja RoboMorrow · aktualizacja źródeł: 21.10.2026