Google 最強模型 Gemini 4 Argon 登場，連 Apollo 人形機器人的動作都能教？

Google 在美國時間 10/13 擴大開放新一代旗艦 AI 模型 Gemini 4 Argon，主打複雜推理、程式開發、企業知識工作與 AI Agent（AI 代理）能力，並宣稱在部分專業任務評測中超越 OpenAI、Anthropic 等競爭對手。

但這次值得關注的不只有模型效能。Google DeepMind 還展示，如何利用 Gemini 4 Argon 分析人類動作影片、自動建立模擬環境，協助 Apptronik 旗下 Apollo 人形機器人學會投擲沙包，並在實機測試中連續命中 7 球。從企業 AI Agent 到實體機器人，Gemini 4 Argon 的能力究竟延伸到了哪一步？

Google 新旗艦模型有多強？企業任務、Agent 成為重點

Google 早在今年 9/30 便首次公布 Gemini 4 Argon，但當時主要開放給經過篩選的資安防禦人員。如今，Google 正式將模型擴大提供給企業、開發者及付費用戶，讓開發者、企業及符合資格的付費用戶，可透過 Gemini API、Google AI Studio、Gemini App，以及 AI 程式開發平台 Antigravity 等服務使用。

Google 將 Gemini 4 Argon 定位為旗下至今最強大的 AI 模型，尤其強調其在複雜推理、程式開發與多步驟任務上的能力。根據 Google DeepMind 公布的模型技術文件，Argon 在衡量金融、法律及程式開發等專業工作能力的第三方 Vals Index 評測中取得 68.9%，超越 Claude Opus 5.5 的 67.0% 和 GPT-6 Astra 的 63.1%；程式開發評測 DeepSWE v1.1 也取得 77.9%。不過，Argon 並非全面領先，例如另一項程式開發測試 FrontierSWE v2，仍落後 GPT-6 Astra。

Google 也開始將模型用於內部工程工作。Google 官方指出，透過 Antigravity 使用 Argon 的團隊，Agent 輔助產生並提交的程式碼量增加超過 35%，程式碼回滾則減少近三分之一。Chrome 團隊更利用它重構大型程式碼庫，將原本需要數月的工作縮短至數週。

價格方面，Argon 的 API 優惠價為每百萬輸入 tokens 2 美元、輸出 tokens 10 美元，12 月起將調整為 4 美元及 20 美元。根據《Reuters》報導，Google 此次將金融、法律、資安與科學研究列為重要應用領域，試圖讓新模型承接更複雜的專業工作。

除了企業工作，Google DeepMind 也開始將 Argon 的視覺理解、物理推理與程式生成能力用於機器人開發。

從人類影片到真實投球，Argon 如何協助 Apollo 學動作？

在最具代表性的實驗中，研究人員讓 Argon 觀看人類玩 Cornhole 的影片。Cornhole 是一種將沙包投向斜放木板、嘗試投入圓孔的遊戲。Argon 先分析環境的空間位置與人類投擲動作，推算機器人需要執行的全身關節運動，再自行建立模擬程式，讓 Apollo 人形機器人練習。

Google 官方將這套流程稱為 Video-to-Sim-to-Real，也就是從影片理解、模擬練習到真實機器人執行。Google 宣稱，原本需要數週的人工模擬建模工作，可縮短至數小時，Apollo 最終也在實機測試中連續投進 7 球。

不過，Apollo 並非看完影片就直接學會投球。根據機器人專業媒體《Humanoids Daily》報導，Argon 在模擬中調整站姿與投擲動作，轉移至實機後，再依據沙包落點修正釋放時機，顯示這項成果仍需要經過反覆測試與調整。

而 Apollo 並非 Google 唯一的機器人實驗。在另一篇《Gemini 4 Argon for Robotics》技術文章中，Google 進一步展示通用 AI 模型如何應用於機器人控制、模擬環境重建與訓練資料生成。例如，Argon 能根據真實機器人的攝影機畫面建立模擬環境，或協助機器人公司 Boston Dynamics 的 Spot 四足機器人在 MuJoCo 模擬器中練習踩踏垃圾桶踏板、維持平衡，再於再於實際環境將飲料罐投入垃圾桶。

Google 也展示，Argon 能從一張真實工作檯照片，自動建立雙機械臂的模擬環境，並生成超過 4,500 筆模擬操作資料，用來微調視覺－語言－動作模型（VLA）。在這項實驗中，機器人實際任務成功率從 56% 提升至 75%，平均完成時間則從 35 秒縮短至 24 秒。

Google 也公布，Argon 在衡量三維空間與物理問題理解能力的 ERQA（Embodied Reasoning）評測中取得 87%。不過，這是具身推理測試成績，不能直接解讀為機器人執行實際任務的成功率。

相較於 Apollo 連續投進 7 球，更值得關注的是，通用 AI 模型正開始參與模擬環境建構、動作設計與訓練資料生成，未來能否進一步縮短機器人技能從開發、驗證到實機部署的流程。

AI 機器人如何從 Demo 走向規模化部署？
立即下載《從 Demo 到 Deployment：AI 機器人規模化關鍵報告》，
掌握真實部署、學習能力與跨層整合的 2026 關鍵進展。
立即下載

【推薦閱讀】

◆ Meta 最強 AI 模型 Muse Wonder 登場，為何自認更適合個人與專業 Agent？

◆ AI 模型越便宜反而越花錢？史丹佛等機構研究：近 1/3 模型成本比較出現「反轉」

◆ 楊立昆團隊推新世界模型 H-JEPA，為什麼能讓機器人走迷宮成功率提升 4 倍？

＊本文開放合作夥伴轉載，資料來源：Google、Google for Developers、《Humanoids Daily》、《Reuters》，首圖來源：Google DeepMind

加入『 TechOrange 官方 LINE 好友』 掌握最新科技資訊！