Google DeepMind、「Gemini Robotics 2」を公開　人型ロボットの全身制御に踏み込む

Google DeepMindがロボット向けAIモデルの守備範囲を、卓上のロボットアームから人型ロボットの全身へ広げた。アルファベット傘下の同研究組織は2026年7月30日、「Gemini Robotics 2」のモデル群を公開し、一つの方策で人型ロボットの歩行、しゃがみ込み、手を伸ばす動作、物の操作をまとめて制御できると説明した。新しい双腕ロボットにも数時間分のデータで移植できるという。

モデルは3種類ある。Gemini Robotics 2はカメラ映像と自然言語の指示をモーター指令に変換する視覚言語行動（VLA）モデルで、人型と双腕ロボットを対象とする。Gemini Robotics ER 2は動作層の上で作業計画と複数ロボットの協調を担う身体性推論モデルだ。Gemini Robotics On-Device 2はロボット本体で動かすための軽量VLAである。モデルカードによると、On-Device 2はGemini Robotics 1.5の技術と端末向けGemmaモデルを土台とし、グーグルのTPUで学習した。

ディープマインドは総合スコアではなく、作業ごとの成功率を開示した。アプトロニクの人型ロボット「アポロ2」で全身を使って物をつかむ作業は、テーブルから68.4%、床から45.7%、棚から76.3%の成功率だった。22自由度のSharpaWaveハンドを付けたアポロは電球を外す作業で92%に達した一方、取り付けは36%にとどまった。ごみ袋を縛る作業は44%、ちりとりは32%、ジッパー袋は40%だった。ロボティック製グリッパーを備えたフランカのDuoでは、精密挿入が89.6%、多品種の工具キッティングが78.9%、一般的なピックアンドプレースが74.2%だった。

同社によると、このVLAは数百回の判断を伴う数分間の多段階作業をこなせる。新しい双腕ロボットへの適応は通常200件未満の実演と数時間の調整で済み、Dexmate、SO101、Trossenの各プラットフォームで試したという。モデルカードは、追加学習後のOn-Device 2の成功率がSO101で初代の6.7%から53.3%に、Dexmateで33.3%から75.6%に上がったと記している。

開発者がすぐに使えるのはER 2だ。グーグルはGemini APIとGoogle AI Studioで提供し、Gemini Enterprise Agent Platformでは限定プレビューとし、GitHubにサンプルコードを公開した。ER 2は静止画ではなく連続した映像から作業の成否を判断する。映像のコマを5段階の進捗に振り分けるテストで57.4%、特定の瞬間を探し当てるテストで91.3%の精度を示し、平均誤差は0.96秒だった。デジタル表示から液体温度計まで10種類の計器を読み取り、グーグル検索などのツールを自ら呼び出し、Gemini Live APIによる双方向ストリーミングにも対応する。VLAとOn-Deviceモデルはアーリーアクセスの提携プログラムとテスター登録を通じてのみ提供される。

ディープマインドは提携先としてアプトロニク、ボストンダイナミクス、アジャイルロボッツを挙げた。デモではER 2が音声指示でボストンダイナミクスの四足ロボット「スポット」に物を取りに行かせ、アポロ2とフランカのF3 Duoアームが共通の意味理解に基づいて作業を受け渡す様子を示した。2016年創業のアプトロニクは自社発表によると、2026年2月11日に5億2000万ドルのシリーズA追加調達を完了している。

日本企業の姿は今回の提携リストにない。ファナックなど国内の産業用ロボット大手は名を連ねず、日本勢で目立つのはむしろスキルドAIの陣営だ。スキルドAIは9月10日、住友電装と三井物産を導入パートナーとして公表した。人手不足が深刻な国内の工場や物流現場にとって、ER 2のようにAPIで呼び出せる計画層は、既存ロボットの知能化を自前の大型モデル開発なしで進める選択肢になり得る。

競争は激しさを増している。エヌビディアは4月に人型ロボット向けオープンモデル「Isaac GR00T N1.7」に商用ライセンスを付け、7月20日には40億パラメーターの「Cosmos 3 Edge」をHugging Faceで公開した。スキルドAIは8月18日に「S1」を発表した。2025年11月にシリーズBを調達したフィジカルインテリジェンスは、2024年10月の初の方策モデルπ0以降、VLAの研究成果を相次ぎ公表している。ディープマインドの違いは、推論と動作を別モデルに分け、推論層だけを有料のクラウドサービスとして外部に出した点にある。

技術的には現場の監督者と熟練作業者の分業に近い。ER 2が次の手順を決め、映像で進捗を確かめ、危険なツール呼び出しを拒む。VLAはその指示を、クラウドのモデルでは届かない制御周期で関節の動きに落とし込む。ディープマインドは推論エージェントが危険な呼び出しを拒否できるか、作業の実行可否を正しく判断できるかを測る新たなベンチマーク「ASIMOV-Agentic」も導入し、人が近づくとER 2が人型ロボットを停止させると説明した。

課題は信頼性と利用のしやすさだ。家事型の精密作業で32～92%という成功率は研究段階の数値で、工場の稼働率とは別物だ。On-Device 2のモデルカード自身も、想定外の作業への汎化や高自由度ロボットの制御に限界があり、移動体や全身制御のリスクは現時点の対象外だと明記している。グーグルはER 2の価格や動作モデルの一般提供時期を明らかにしていない。