Gemini 4 Argon实测：AI自主造桌游、建寺庙、训机器人

Google 的 Gemini 4 Argon 上线后，B站上的一段实测视频展示了它令人意外的能力边界：从把书桌照片变成可玩的赛车游戏，到自主搭建寺庙场景、编写光线追踪引擎，再到指挥人形机器人练投沙包——这些任务背后几乎没有人工干预。

从一张书桌照片到可玩赛车：多智能体协作的威力

视频中最直观的演示，是让 Argon 根据几张真实书桌的照片，在 Anti-Gravity 环境中调度多个智能体协作：用 Blender 构建书桌、房间和赛道模型，调用 Nano Banana 做照片级渲染，再接入物理引擎、着色器和引擎音效。圈数、计时、速度表等游戏逻辑同样由 AI 补齐，最终成品已上传至 AI Studio 排行榜，可直接在线游玩。

这一流程的意义在于，它不再只是生成一张图或一段代码，而是让多个智能体分工完成建模、渲染、物理模拟和前端集成的完整管线。对开发者而言，Argon 更像一个能自主拆解任务的"项目协作者"。

多智能体协作（Multi-Agent Collaboration）指将复杂任务拆解为若干子任务，由多个具备不同专长的 AI 智能体分别负责、并行或串行推进，并通过消息传递或共享工作区协调结果。与单一模型一次性生成相比，多智能体架构的优势在于：每个智能体可专注于特定工具链（如建模、渲染、物理模拟），降低单次推理的上下文负担；同时可通过“生成—审查—修改”的循环实现自我纠错。常见模式包括编排者-执行者（Orchestrator-Worker）和辩论式协作。其代价是 token 消耗与延迟增加，因此缓存折扣和任务规划效率成为成本控制的关键。

寺庙与3D象棋：AI 的审美与工程能力

另一段演示中，Argon 在 Blender 里独立搭建了一片寺庙场景，卡、电、树、光等元素齐全。多个智能体轮流查看摄像头画面挑毛病，一轮轮迭代修改，直到画面接近照片级真实感——这种"自我审查"机制显著提升了输出质量。

3D 象棋项目则展示了工程侧的严谨性：Argon 先检查 Blender Node 和 Python 环境，再编写 Python 脚本程序化雕刻棋子、仿古格做动画并生成 PBR 材质，最后搬到网页端。棋子带有弱点设定，例如狮子棋子被击中会碎成一地，还配了一个能吓到僵死的电脑对手。

5000行数学代码与自制光线追踪引擎

最令人惊讶的是一个"无提示词、无3D引擎、无图片"的房间项目。Argon 写了 5000 多行数学代码，自己造了一个光线追踪引擎，让玻璃上的阳光拐两个弯后在石桌上聚成光斑。它还自行编写视频工具和混音器，配上 TTS 旁白和音效，把整支片子剪了出来。

这说明 Argon 的能力已从"调用现成工具"延伸到"为特定效果自建底层工具"，在有明确目标时具备相当的自主工程能力。

光线追踪（Ray Tracing）是一种基于物理的渲染方法：从相机向场景中每个像素发射光线，计算光线与物体的交点，再沿反射、折射方向递归追踪，最终累加各条光路贡献的颜色。它能自然模拟反射、折射、阴影和焦散（caustics，即光线经曲面折射后在表面上形成的明亮光斑），而传统光栅化渲染需要大量近似技巧才能伪造类似效果。实现一个可用的光线追踪器通常需要向量运算、射线-三角形求交、蒙特卡洛采样与降噪等数学基础，因此“用 5000 行代码自建引擎并让阳光拐弯聚成光斑”意味着模型需要独立完成几何、光学与数值计算的系统性工程，而非调用现成渲染库。

机器人连进7个：仿真建模的降本增效

内部测试中，研究人员只给 Argon 看了一段人扔沙包的视频。它测出场地坐标、计算全身关节如何运动、自己编写仿真代码，在模拟器中训练后，让 Apollo 人形机器人实地连续投进 7 个。原本需要数周的仿真建模，被压缩到几小时。

这一案例的价值在于打通了"视频理解—物理建模—仿真训练—真机部署"的链路，对机器人研发的迭代速度是实质性提升。

仿真到现实的差距（Sim-to-Real Gap）是机器人学习中的核心难题：在物理模拟器中训练的策略，迁移到真实硬件时往往因摩擦、质量分布、传感器噪声等建模误差而失效。常见的缓解手段包括域随机化（在训练中随机化物理参数与视觉外观，迫使策略对误差鲁棒）和系统辨识（用真实数据校准仿真参数）。文中 Argon 从一段视频中测出场地坐标、推算全身关节运动并编写仿真代码，本质上是在做自动化的系统辨识与场景重建，从而缩小仿真与现实的差距。这也是“数周建模压缩到几小时”背后的技术含义：建模环节的自动化直接决定了真机部署的迭代速度。

开发者如何用上 Argon

开发者可通过 Gemini API 调用 Argon，也可在 AI Studio 和 Android Studio 中使用，自家的 Anti-Gravity 开发工具同样已支持。

定价方面，Argon API 首发价为每百万输入 Token 2 美元、输出 10 美元，命中缓存的输入便宜 95%，优惠持续至 2026 年 11 月 30 日，之后涨至输入 4 美元、输出 20 美元。对于需要大量迭代的智能体工作流，缓存折扣是值得提前规划的成本项。

从书桌、寺庙、棋局到机器人，这些案例的共同点是：Argon 不只是生成内容，而是在多智能体框架下自主拆解并完成跨工具链的复杂任务。这或许才是它与前代模型最本质的区别。

Token 缓存（Prompt Caching）指将一段重复出现的前缀内容（如系统提示、长文档、工具定义）的中间计算结果保存在服务端，后续请求命中时直接复用，从而跳过重复计算并按折扣计费。对于智能体工作流而言，系统提示和工具描述往往在数十次迭代中保持不变，缓存命中率可能很高，因此 95% 的输入折扣对总成本的影响远大于单价本身。规划成本时需注意：缓存通常有最短可缓存长度和存活时间（TTL）限制，且只有前缀完全一致才能命中；若每次迭代都修改前缀内容，折扣将失效。此外，输出 Token 通常不参与缓存折扣，而智能体工作流的输出量往往不小，应分别估算输入与输出成本。