Google、Gemini 4 Argon（ジェミニ4 アルゴン）のロボット向け活用例を公開ERQAで87%、シミュレーションで作ったデータでVLAの実機成功率が56%から75%に

Googleは2026年10月13日（現地）、Gemini 4 Argon（ジェミニ4 アルゴン）をロボットの開発工程に使う例をまとめた記事を Google Developers Blog に公開した（Google DeepMindのブログ経由）。同社は、物理的な空間推論を測るERQAベンチマークで、推論のみでArgonが87%を記録し、他のどのフロンティアモデルも上回ったと説明している。

3行まとめ

1. Google は Gemini 4 Argon の使い道を「ロボット制御」「Real2Sim」「物理理解」「研究と自己改善」の4領域・計12例で公開。ERQAは87%と同社が説明。
2. 実際の机の写真1枚から作ったシミュレーションで4,500件超のデータを集め、VLAモデルの実機成功率は56%→75%、完了時間は35秒→24秒（Google の記載）。
3. 使えるのは Google AI Studio（AI Ultra購読者）、Gemini API の有料枠、Google Antigravity（AI Ultra購読者）。日本での提供や料金は今回確認したページに記載なし。

本記事の内容は、日本時間10月14日1時台に公式ページで確認したものです。

何が公開されたのか

著者は Google の Principal Software Engineer、Kanishka Rao 氏。記事の冒頭で Google は、Argonが物理的な理解、コード生成、視覚と意味をつなぐ推論で「step change（大きな飛躍）」を遂げたと書いている。記事は製品の新機能一覧ではなく、各領域の「代表的なプロンプト」と動画を並べた事例集の形だ。

Gemini 4 Argon そのものの発表や一般提供、価格については、すでに別の記事にまとめている。

• Gemini 4 Argonを発表
• Gemini 4 Argonの一般提供と価格

ERQAとは何か、87%はどう読むのか

Googleの記事は、ERQA（Embodied Reasoning）を「3D環境で物理的・空間的な問題を理解し解く能力を測るベンチマーク」と説明している。ERQAのGitHubのREADMEによると、これはGoogle DeepMindの Gemini Robotics 公開に合わせて出したベンチマークで、画像とテキストが交互に並ぶ多肢選択問題（答えはA〜Dの1文字）。完全版は400問と書かれ、ライセンスはCC-BY-4.0。

読むときの注意点が2つある。

• 「他のどのフロンティアモデルも上回った」はGoogleの自己評価だ。今回取得した記事の本文には、比較対象のモデル名や各社の点数は出てこなかった。
• 「推論のみ（pure reasoning）」が何を指すかの定義も、取得した本文には書かれていない。

4つの領域で何ができるのか

Googleは12の事例を挙げている。数字が書かれているものを中心に整理する。

ロボット制御

Real2Sim（実機や動画をシミュレーションに再現）

• ロボット映像から: 遠隔操作の記録を見て、見た目と接触の挙動を合わせたデジタルツインをMuJoCo上に作る。指先の力・トルクが記録された触覚データと合うかを検証するプロンプトが示されている。
• 人間の動画から: 一人称視点の人間の動画から、76自由度の両手ヒューマノイド（22自由度の5本指ハンド）の動作へ置き換える。500Hzの物理シミュレーションで動かす。
• 手描きスケッチから: ペンで描いたスケッチの写真から、ヒューマノイドがボールを投げて6個の箱を倒すシーンを mujoco_warp で組み、6個すべてが倒れることを閉ループの物理で検証して、Blender 4.5 Cyclesの映像まで出す。

物理理解（動画のラベル付け・価値関数）

• 事後ラベル付け: ALOHA 2（アロハ2）が136秒かけて折り紙のキツネを折る動画から、目標1つ、意味的なサブタスク6つ、接触レベルの動作17個の階層ラベルを付ける。失敗や手間取りの区間は進捗を据え置き、模倣学習では重みを0.15〜0.25倍にするというプロンプトだ。
• 不良品さがし: 見た目が同じ12個の玉から、重いか軽い1個を天秤3回以内で見つける課題を、MuJoCo上のFranka FR3の2本腕で解く。物体の位置や天秤の傾きは、ステレオカメラの画像（とロボット自身の関節の情報）だけから読み取る。
• 価値関数: 人間が手に着けたグリッパーで60秒のリング仕分けをした記録から、進捗を推定し、28区間に分ける。

研究と自己改善

• シミュレーションでの動作改善: 実際の机を撮った写真1枚から、Argonが9個の小道具を含むMuJoCoシーンを作り、77タスクのカリキュラムを定義して、4,500件超のエピソードを生成した。これでVLA（視覚・言語・行動モデル）を調整すると、実機の成功率は56%から75%に、完了時間は35秒から24秒になったとGoogleは書いている。
• ハードウェア上の自己改善: 6自由度のアームSO-101で、レゴブロックをつかんで木箱に入れる作業を繰り返し改善。1回目58.9秒、2回目22.9秒（落とす際に箱の縁をかすめた）、3回目17.4秒（中央に入った）。
• 論文の再現: 1つのプロンプトでロボット制御の論文を読み、MuJoCo WebAssemblyのブラウザ環境に移植する。記事は、Argonが再現した68のブラウザ上の実験環境から5本を例に挙げている。

誰がどこで使えるのか

記事末尾の「Getting started」には、次の3つが書かれている。

日本時間10月14日1時台に取得した記事本文を検索したところ、「Japan」や料金を示す記載は見つからなかった。日本からの利用可否や料金は、この記事からは分からない。一般提供の価格は別記事にまとめている。

観測：公式ページを開いて気づいたこと

日本時間1時台に deepmind.google のURLを取得すると、developers.googleblog.com の記事に転送された。本文は英語のみで、日本語版は確認できなかった。動画は本文のテキストには含まれず、私は映像を見ていない。ここで書いた動作の内容はすべてテキストの説明とプロンプトからで、製品を自分で試したものではない。

もうひとつ気づいたのは、プロンプトが本文にそのまま載っていたことだ。たとえばゼロショット制御の例は、curl で http://127.0.0.1:8081/plan にモーション指令を送る形式で、ローカルのロボット制御サーバーがあることが前提になっている。ロボットが手元になくても、プロンプトの書き方は読める一方、同じ結果を再現するには同等の環境が要る。

今回の記事から分からないこと

• 87%以外の点数: 比較したモデルの名前・点数、ERQAの評価設定は取得した本文に書かれていない。
• 56%→75%の条件: 対象のVLAモデルの名前、試行回数、評価課題の内容は、取得した本文にはなかった。実機評価の母数が分からないため、19ポイントの差の確度は判断できない。
• 映像の中身: 12事例の動画の成否や失敗例は、テキストでは確認できない。自己改善の例は2回目に箱の縁をかすめたと書かれているが、他の事例の失敗の有無は不明。
• すべてGoogleの発表: 第三者の検証は今回確認していない。
• ERQAのREADME: サンプルの評価ハーネスの説明は Gemini 2.0 系と OpenAI のモデル向けで、Argonの結果は載っていない。

出典と確認時刻

• Gemini 4 Argon for Robotics（Google Developers Blog、2026年10月13日）　日本時間2026年10月14日1時07分取得
• embodiedreasoning/ERQA（GitHub）　日本時間2026年10月14日1時08分取得

本記事は続報があり次第更新します。