- Gemini 4 Argon reduce la demanda de recursos de computación cuántica en más de 100 veces.
- El modelo aumenta la tasa de éxito del robot, del 56% al 75%.
- Argon optimizó la base de código de Google en 11 小時, reduciendo la sobrecarga en aproximadamente un 40%.
- El modelo ayuda a resolver problemas matemáticos relacionados con la fusión nuclear, impulsando el avance de la investigación.
Google ha lanzado recientemente Gemini 4 Argon, un modelo que afirma reducir la demanda de recursos en operaciones de computación cuántica en más de 100 veces, al tiempo que ayuda a los investigadores a desarrollar nuevas soluciones matemáticas para abordar problemas de fusión nuclear y mejorar el rendimiento de los robots en el mundo real. En una demostración, Argon generó un componente de algoritmo cuántico cuyo coste espacio-temporal era más de 100 veces inferior al de los métodos publicados anteriormente. La empresa indicó que la implementación fue verificada formalmente mediante el sistema Lean, un sistema utilizado para comprobar demostraciones matemáticas.
Mejora del rendimiento de los robots
El modelo también ayudó a los investigadores a encontrar nuevas soluciones a un problema matemático de décadas relacionado con los reactores de fusión estelar. En una prueba de robot separada, los datos de entrenamiento generados mediante la simulación de Argon elevaron la tasa de éxito del robot en tareas reales del 56% al 75%. Google anunció estos avances el 10 月 13 日, como parte del lanzamiento de Gemini 4 Argon.
En otra prueba, el modelo se ejecutó sin supervisión durante 11 小時 en la base de código de software existente de Google, y los cambios generados redujeron la sobrecarga de preparación de la sesión en aproximadamente un 40% y aumentaron la velocidad de importación de paquetes en un 21%. La computación cuántica se vuelve más ágil; las computadoras cuánticas requieren operaciones cuidadosamente diseñadas para realizar cálculos mientras limitan los errores y las necesidades de hardware. Algunos algoritmos dependen de componentes matemáticos más pequeños, llamados subrutinas, que consumen grandes recursos computacionales. Gemini 4 Argon ya está disponible, y los desarrolladores y empresas de todo el mundo pueden usarlo en el nivel de pago de la Gemini API y en la Gemini 平台, así como los suscriptores Ultra de Google Antigravity, y
Los suscriptores Ultra y Pro de la aplicación Gemini y de Search también pueden usarlo.
Optimización de recursos de computación cuántica
Google indicó que Argon optimizó la subrutina arcsin utilizada en algoritmos de simulación cuántica. En comparación con la implementación cuántica CORDIC publicada, la nueva versión redujo el coste espacio-temporal en más de 100 veces. El coste espacio-temporal mide los recursos computacionales necesarios para ejecutar una operación, teniendo en cuenta los requisitos de hardware y el tiempo de ejecución. Esta mejora se aplica a la subrutina específica probada, no al sistema de computación cuántica en su conjunto. Argon también optimizó la versión interna del decodificador de corrección de errores cuánticos basado en aprendizaje automático de Google, AlphaQubit.
Según Google, al convertirlo en un único kernel optimizado para hardware, el modelo casi duplica el rendimiento de inferencia.
Las capacidades de ingeniería de software del modelo se probaron en el Agent Development Kit de código abierto de Google, un marco para construir y desplegar agentes autónomos. En una ejecución nocturna de 11 小時, Argon examinó una base de código de aproximadamente 205,000 行, que abarca cerca de 800 archivos. Propuso seis optimizaciones, de las cuales dos fueron aceptadas tras revisión manual y fusionadas al proyecto. Estos cambios redujeron la sobrecarga de preparación de sesión en memoria en aproximadamente un 40% en sesiones largas y mejoraron la velocidad de importación de paquetes en un 21%.
En una prueba de referencia independiente, el tiempo de ejecución de un agente de 158 回合 pasó de 65.6 秒 a 56.1 秒. Sin embargo, el tiempo desde el inicio de un nuevo proceso hasta su primera solicitud al modelo permaneció prácticamente sin cambios.
En cuanto a la investigación de fusión nuclear, Google colaboró con el profesor Matt Landreman de la University of Maryland para identificar contraejemplos más amplios que refutan la conjetura de Grad, una hipótesis matemática que data de 1967 年. Los contraejemplos anteriores ya habían desafiado la conjetura. Las nuevas soluciones identificadas podrían servir como casos de referencia para probar el software de simulación utilizado en el diseño de reactores de fusión estelar, que emplean campos magnéticos complejos para confinar plasma caliente. Por otro lado, Argon demostró la capacidad de generar entornos de entrenamiento físico para robots.
A partir de una única foto de una mesa, el modelo construyó una simulación basada en física y generó más de 4,500 次 entrenamientos de tareas de manipulación robótica.
Gemini 4 Argon permitió que un robot aprendiera a jugar corn hole solo viendo un video. Mapeó la física, codificó su propia simulación y enseñó al robot humanoide Apollo de @Apptronik a lograr 7 lanzamientos exitosos consecutivos. Google informó que los datos de entrenamiento generados elevaron la tasa de éxito del robot en el mundo real del 56% al 75%, al tiempo que redujeron el tiempo de finalización de la tarea de 35 秒 a 24 秒. En otra demostración, Argon ayudó al robot Spot de Boston Dynamics a practicar la apertura de un cubo de basura con pedal en simulación antes de intentarlo con el objeto real.
Además de la investigación en robótica, los investigadores de Gamow Labs utilizaron Argon para examinar datos genéticos desidentificados de recién nacidos que padecen una rara enfermedad pulmonar del desarrollo. Google señaló que el modelo identificó una reorganización cromosómica que el software convencional no había detectado en años. Estos resultados abarcan la investigación científica, la ingeniería de software y el control robótico físico. No obstante, las mejoras reportadas siguen siendo específicas de los experimentos descritos, y el rendimiento más amplio en estos ámbitos aún no se ha establecido.
Elemento Especificación Reducción del coste espacio-temporal 超過 100 倍 Mejora de la tasa de éxito del robot 56% 至 75% Reducción del tiempo de finalización de la tarea 35 秒至 24 秒 Líneas de la base de código 約 205,000 行
Impacto de Gemini 4 Argon en la robótica y la computación cuántica
El lanzamiento de Gemini 4 Argon marca un avance importante en la computación cuántica y la robótica. El modelo no solo logra una reducción significativa en la demanda de recursos de computación cuántica, sino que también mejora la tasa de éxito de los robots en tareas reales, mostrando su potencial en aplicaciones prácticas. Además, la contribución de Argon a la investigación de fusión nuclear podría impulsar avances científicos adicionales, con repercusiones profundas en el sector energético. Estos avances no solo demuestran la capacidad de innovación tecnológica de Google, sino que también sientan las bases para futuras investigaciones y aplicaciones.