Google が Gemini 4 Argon モデルを発表 量子計算のリソース要件を大幅に削減しロボット性能を向上

Google は最近、Gemini 4 Argon を発表した。同モデルは、量子計算操作におけるリソース要件を 100 倍以上削減すると主張し、同時に研究者たちが核融合問題に対処するための新たな数学的解決策を開発するのを支援し、現実世界のロボット性能を改善する。あるデモでは、Argon が量子アルゴリズムコンポーネントを生成し、その時空コストが従来の公開手法より 100 倍以上低かった。同社によれば、実装プロセスは Lean システムによって形式的に検証された。これは数学的証明を検査するためのシステムである。

ロボット性能の向上

同モデルはまた、研究者たちが恒星核融合炉に関連する数十年にわたる数学問題の新たな解決策を見出すのを支援した。別のロボットテストでは、Argon シミュレーションによって生成された訓練データにより、ロボットの現実タスクにおける成功率が 56% から 75% へ向上した。Google は 10 月 13 日、これらの進展を Gemini 4 Argon の発表の一環として公表した。

別のテストでは、同モデルが Google の既存ソフトウェアコードベース上で無人稼働し 11 時間実行され、生成された変更によりセッション準備のオーバーヘッドが約 40% 削減され、パッケージインポート速度が 21% 向上した。量子計算がより簡潔になり、量子コンピュータは計算を実行するために慎重に設計された操作を必要とし、同時にエラーとハードウェア要件を制限する。一部のアルゴリズムは、サブルーチンと呼ばれるより小さな数学コンポーネントに依存し、これらは大量の計算リソースを消費する。Gemini 4 Argon は現在利用可能で、世界中の開発者と企業が Gemini API の有料階層と Gemini プラットフォーム上で、Google Antigravity の Ultra 加入者、および

Gemini アプリと Search の Ultra および Pro 加入者も利用できる。

量子計算リソースの最適化

Google によると、Argon は量子シミュレーションアルゴリズム用の arcsin サブルーチンを最適化した。公開されている量子 CORDIC 実装と比較して、新バージョンは時空コストを 100 倍以上削減した。時空コストは、操作の実行に必要な計算リソースを測定し、ハードウェア要件と実行時間を考慮する。この改善はテストされた特定のサブルーチンに適用されるものであり、量子計算システム全体に対するものではない。Argon はまた、Google の機械学習ベースの量子エラー訂正デコーダ AlphaQubit の内部バージョンも最適化した。

Google の説明によれば、これを単一のハードウェア最適化カーネルに変換することで、モデルは推論スループットをほぼ 2 倍にした。

同モデルのソフトウェアエンジニアリング能力は、Google のオープンソース Agent Development Kit でテストされた。これは自律エージェントの構築と展開のためのフレームワークである。11 時間の一晩実行において、Argon は約 205,000 行のコードを含むコードベースを検査し、約 800 ファイルに関わった。6 件の最適化提案を行い、うち 2 件が人間によるレビューを経て受け入れられ、プロジェクトにマージされた。これらの変更により、長時間セッションにおけるメモリ内セッション準備オーバーヘッドが約 40% 削減され、パッケージインポート速度が 21% 改善された。

独立ベンチマークでは、158 ターンのエージェント実行時間が 65.6 秒から 56.1 秒へ短縮された。しかし、新プロセス起動から初回モデルリクエストまでの時間は基本的に変わらなかった。

核融合研究において、Google はメリーランド大学の Matt Landreman 教授と協力し、1967 年にさかのぼる数学的仮説である Grad の予想を反駁するより広範な反例を特定した。初期の反例はすでに同予想に挑戦していた。新たに特定された解決策は、複雑な磁場を用いて高温プラズマを閉じ込めるステラレータ型核融合炉の設計に用いられるシミュレーションソフトウェアのテストに向けた参照ケースを提供する可能性がある。一方、Argon は物理ロボット訓練環境の生成能力を示した。

机の単一写真から始めて、同モデルは物理ベースのシミュレーションを構築し、ロボット操作タスクの訓練を 4,500 回以上生成した。

Gemini 4 Argon により、あるロボットが動画を見るだけでコーンホールをプレイすることを学習した。物理をマッピングし、独自のシミュレーションをコーディングし、@Apptronik の Apollo 人型ロボットに連続 7 回の投擲成功を教えた。Google は、生成された訓練データにより現実世界のロボット成功率が 56% から 75% へ向上し、同時にタスク完了時間が 35 秒から 24 秒へ短縮されたと報告している。別のデモでは、Argon が Boston Dynamics の Spot ロボットに、実物を試す前にシミュレーション内でペダル式ゴミ箱を開ける練習をさせた。

ロボット研究以外にも、Gamow Labs の研究者たちが Argon を用い、稀な発達性肺疾患を持つ新生児の非識別化ゲノムデータを調査した。Google によると、同モデルは従来のソフトウェアが数年間発見できなかった染色体転座を特定した。これらの成果は、科学研究、ソフトウェアエンジニアリング、物理ロボット制御に関わる。しかし、報告された改善は記述された実験に固有のものであり、これらの分野におけるより広範な性能は未確立である。

項目	仕様
時空コスト削減	100 倍以上
ロボット成功率向上	56% から 75%
タスク完了時間短縮	35 秒から 24 秒
コードベース行数	約 205,000 行

Gemini 4 Argon がロボットと量子計算にもたらす影響

Gemini 4 Argon の発表は、量子計算とロボット技術における重要な進展を示す。同モデルは量子計算のリソース要件を大幅に削減しただけでなく、ロボットの現実タスクにおける成功率を向上させ、実用応用における可能性を示した。さらに、Argon の核融合研究への貢献は、関連科学の更なる発展を促す可能性があり、エネルギー分野に深遠な影響を与えるかもしれない。これらの進展は Google の技術革新における実力を示すだけでなく、将来の研究と応用の基盤を築くものである。