グーグル傘下ディープマインドの新モデル「ジェミニロボティクスER 1.6」、ロボットが計器を読み取り正答率93%

グーグル傘下のディープマインドが、ロボット向け推論モデルに工場やプラントの現場で役立つ能力を加えた。同社は2026年4月14日、身体性推論（embodied reasoning）に特化した視覚言語モデル「ジェミニロボティクスER 1.6」を発表し、同日からジェミニAPIとグーグルAIスタジオで「gemini-robotics-er-1.6-preview」の名称で開発者に提供した。目玉は圧力計やサイトグラス、温度計を見て数値を読み取る計器読み取り機能だ。

ディープマインド自身のベンチマークが改善幅を示す。計器読み取りの評価で前世代のER 1.5の成功率は23%、汎用モデルのジェミニ3.0フラッシュは67%だった。ER 1.6は86%を記録し、同社が「エージェント型視覚」と呼ぶ手法を使うと93%に高まった。物体の指し示し、数え上げ、複数カメラの視点を使った作業成否の判定でもER 1.5を上回ったという。

エージェント型視覚とは、モデルが一度で答えず途中の手順を踏む方式だ。ディープマインドの研究者ローラ グレッサー氏とペン シュー氏のブログによると、モデルはまず画像を拡大して計器の細かな目盛りを確かめ、次に指し示しとコード実行で比率や間隔を見積もってから値を出す。対象として円形圧力計、化学設備のサイトグラス、縦型の液面計、温度計、デジタル表示器などを挙げた。

4月20日に公開されたモデルカードによると、ER 1.6はジェミニ3.0フラッシュを基盤とし、テキスト、画像、音声、動画を入力でき、入力の文脈は12万8000トークン、出力は最大6万4000トークン。グーグルのTPUで、ジェミニ3.0の学習データと追加の身体性推論データセットを使って学習した。医療や交通など、誤作動が人身や財産の被害につながりうる安全上重要な用途には承認していないと明記している。

現代自動車グループ傘下のボストンダイナミクスが機能開発に深く関わった。スポットはすでに産業施設の巡回ルートを歩いて設備を撮影しており、ER 1.6はその画像を解釈する力を加える。ボストンダイナミクスのマルコ ダシルバ副社長はディープマインドのブログで、計器読み取りとより信頼できる作業推論により、スポットが現実の課題を完全に自律して見て、理解し、対処できるようになると述べた。

ERシリーズはディープマインドのロボット技術群で明確な役割を担う。ジェミニロボティクスのモデルがモーター動作を出力するのに対し、ERモデルは物体の位置把握、作業順序の決定、成否の判断といった「考える」部分を受け持つ。開発者は自社のロボットソフトからER 1.6を呼び出し、どの制御器とも組み合わせられるため、同社のロボット関連製品で最も幅広く使える部品となる。

安全性の評価も柱の一つだった。ディープマインドは人を中心とした安全場面を集めた自社の「ASIMOV」ベンチマーク第2版でER 1.6を試験し、指し示しとバウンディングボックスの課題で物理的な安全制約をER 1.5より大幅によく守ったとした。ジェミニ3.0フラッシュと比べ、テキストの安全場面で6%、動画の場面で10%改善したという。

ロボット推論モデルの競争は激しい。エヌビディアは「コスモスリーズン」モデルとGR00Tの方策モデルをロボット企業に提供する。フィジカルインテリジェンスやスキルドAIは推論と動作をまとめて扱うエンドツーエンドのモデルを学習する。ディープマインドの強みは、誰もがすでに使える商用APIという販路と、グーグルの主力モデル群ジェミニとの結びつきにある。

日本にとっての意味は大きい。高度成長期に建てられた化学プラントや発電所の老朽化と保全人材の不足が重なり、計器の巡回点検は多くの現場で人手に頼っている。センサーを後付けせずにロボットがアナログ計器を読めれば、既設プラントの点検自動化の大きな壁が一つ消える。横河電機などプラント制御の大手や、点検ロボットを手がける国内スタートアップが、汎用モデルのAPIを取り込むか、自社の専用画像認識を磨くかの判断を迫られる。

残る課題は信頼性と責任の所在だ。93%はベンチマークとしては高いが、危険なプラントでの安全に関わる読み取りとしては心もとない。ディープマインド自身もモデルカードで安全上重要な用途を除外している。プレビューの価格や正式提供の時期は示していない。