Google DeepMind「Gemini Robotics 2」発表全身制御のヒューマノイドAIモデル詳細

⏱ 読了約8分3,389 字

📑 目次

「Gemini Robotics 2」の3モデル構成
前世代からの進化——上半身操作から全身制御へ
実演ロボットと性能数値
安全機構「ASIMOV-Agentic」
「物理AGIへの一歩」という自社の主張
残る課題と今後の展望
まとめ
参考・出典

Google DeepMindは2026年7月30日、ヒューマノイドロボット向けAIモデル「Gemini Robotics 2」を公式ブログで発表した。出典新モデルは視覚と言語の入力をそのままモーター制御に変換し、歩行と物体操作を一つのAIで統合的にこなす。前世代は主にテーブル上の腕の動きに限定されていたが、今回は頭からつま先までの全身を動かせるようになった。ロボットが工場や家庭で複数の作業を自律的にこなす未来に向けて、Googleが具体的な技術を示した形だ。

「Gemini Robotics 2」の3モデル構成

Google DeepMindは今回、用途の異なる3つのモデルを同時に発表した。出典中核となる「Gemini Robotics 2(VLA)」は、Vision-Language-Action(視覚・言語・行動)モデルと呼ばれる種類のAIだ。カメラで見た映像と指示された言葉を、そのままモーターへの命令に変換する。二腕ロボットだけでなく、全身を持つヒューマノイドロボットの制御にも対応する。

2つ目の「Gemini Robotics ER 2(ER/VLM)」は、ロボットの「上位脳」にあたる体現推論モデルだ。物理世界の状況を理解し、複数の手順からなるタスクを計画する役割を担う。今回新たに、複数のロボットが協調して動く機能も加わった。3つ目の「Gemini Robotics On-Device 2」は、ロボット本体側で動かすことに最適化した版である。ネットワークを経由しないため、通信の遅延なく反応できる。新しい二腕ロボットの機体にも、数時間程度で適応できるとされる。

前世代からの進化——上半身操作から全身制御へ

今回の発表で最も大きな変化は、ロボットが歩きながら作業できるようになった点だ。前世代のGemini Roboticsは、テーブルの上に置かれた物を掴む・並べるといった、上半身だけで完結する作業が中心だった。新しいGemini Robotics 2は、テーブルまで歩いて移動し、じょうろを持ち上げ、棚まで運ぶといった一連の動作を、一つのAIモデルで統合的に制御できるようになった。歩行・物体操作・移動という別々の動きを、切り替えながらではなく連続した流れとしてこなせる点が技術的な進歩といえる。

ロボットの物理的な訓練データをどう集めるかは業界全体の課題だ。Encord、脳波データで物理AIロボット訓練へのように、Google以外の企業も学習データの確保に力を入れている。

実演ロボットと性能数値

Google DeepMindは今回、複数のロボットメーカーの機体を使った実演結果を公開した。出典米Apptronik社のヒューマノイドロボット「Apollo 2」に、Sharpa社製の22自由度・5本指ロボットハンド「SharpaWave」を装着し、ひもを結ぶ、ジップロック袋を密閉するといった細かい作業を実演した。

物をつかむ動作の成功率(ピック成功率)も公表されている。Inspire製ハンドを使った場合、テーブルからのピックは68.4%、床からのピックは45.7%、棚からのピックは76.3%だった。Franka Duoロボットアームに市販のRobotiqグリッパーを組み合わせた場合は、汎用的なピック&プレースが74.2%、多様な工具の仕分けが78.9%、精密な挿入作業が89.6%という結果になった。

一方、多指ハンドでの器用な操作(マルチフィンガー・デクステリティ)は、依然として難易度が高いことも数値に表れている。Apollo 2とSharpaWaveの組み合わせでは、電球を外すタスクが92%と最も高かったのに対し、電球を取り付けるタスクは36%、ゴミ袋を結ぶタスクは44%、ジップロックを閉じるタスクは40%にとどまった。つかむ動作より、位置を合わせて取り付ける動作の方が難しいことがうかがえる。さらにGoogle DeepMindは、Dexmate・SO101・Trossenという3つの異なるロボットプラットフォームで、200例に満たない学習データでも新しい機体に適応できることを示したという。

安全機構「ASIMOV-Agentic」

ロボットが自律的に動く以上、安全性の担保は避けて通れない課題だ。出典Google DeepMindは今回、「ASIMOV-Agentic」と呼ぶ安全機構とベンチマークを新設した。これは、AIエージェントが安全でないツール呼び出しを拒否できるか、タスクを実行できるかどうかを事前に予測できるかを測る仕組みだ。判断に迷う場面では、ロボットが人間に助けを求める機能も備える。上位脳にあたるER 2は「これまでで最も安全なロボティクスモデル」と説明されており、人間が近づいたことを検知すると安全のために動作を止める機能も持つ。

「物理AGIへの一歩」という自社の主張

Google DeepMindは今回の発表を、物理世界における汎用人工知能(AGI)の実現に向けた重要な節目だと位置づけている。同社は「単一のタスクを自動化する段階から、汎用的な知能へ移行する」段階にあると説明した。ただし、これはあくまでGoogle DeepMind自身の評価であり、外部の研究機関や第三者機関による客観的な検証結果ではない点には注意が必要だ。

GeminiブランドはGemini 3.6 Flash登場、3.5 Proは見送りのように、この数日でもモデル展開が相次いでいる。ロボティクス分野への展開は、Googleの生成AI戦略の一角を占める動きとして見ることができる。

残る課題と今後の展望

Google DeepMind自身も、いくつかの課題を明記している。多指ハンドを使った精密な操作は依然として難しく、電球の取り付けやジップロックを閉じるといった細かい作業の成功率はまだ低い。また、ロボットの動作速度にも改善の余地があるとされる。人間と同じ空間で作業を任せるには、正確さと速さの両立が欠かせない。

ヒューマノイドロボットが倉庫や工場、さらには家庭に入り込むには、今回示された数値をさらに底上げする必要がある。特に人と同じ空間で細かい作業を任せる場面では、握力の調整や動作の速さが安全性に直結するためだ。今回の発表は、ヒューマノイドロボットが実際の現場に投入されるまでの技術的な距離を測る材料にもなる。2026年7月のAI業界——事故・訴訟・半導体覇権の月で振り返ったように、AI業界全体が実装フェーズに移りつつある中、ロボティクス領域の進捗は今後も注視すべきテーマといえる。