Boston Dynamics、Gemini 搭載の四足歩行ロボ「Spot」による片付けデモを公開

工場や発電所の過酷な環境で働くはずの産業用ロボット犬が、一般住宅のリビングで散らかったスニーカーを片付けている姿はどこか新鮮です。

Boston Dynamics は 4 月 14 日、Google の視覚言語モデル「Gemini Robotics-ER 1.5」を統合した Spot の室内片付けデモを公開しました。散らばった靴を下駄箱に並べ、空き缶を拾い上げる一連のタスクを、従来のステートマシンのコードではなく自然言語の指示で自律的にこなしています。

大規模モデルを「熟練オペレーター」にする仕組み

このプロジェクトは、同社が 2025 年に実施した社内ハッカソンがきっかけでした。家庭のような非構造化環境でロボットに仕事をさせる場合、従来の手法では無数の例外処理をプログラミングする必要がありました。

今回エンジニアたちは、Gemini Robotics と Spot の API を結ぶ軽量な SDK レイヤーを構築しました。移動、写真撮影、物体認識、把持、配置といった基本動作を小さな「ツール」として定義し、Gemini にそれらを使い分ける権限を与えたのです。

言ってみれば、Gemini はタブレットを手にして Spot を遠隔操作する人間のオペレーター代行です。人間が「玄関の靴を片付けて」と指示すると、モデルがカメラ画像から対象を特定し、Spot の API に適切なシーケンスを指示します。足元の起伏を乗り越えたりアームのバランスを保ったりする物理制御は、Spot 自身の堅牢なソフトウェアスタックが担います。

プロンプトの調整も興味深い点です。「写真を撮れ」だけでは不十分で、「移動後は視野が広いアーム先カメラを優先して使うこと」「高い棚を見るなら車体前方の低いカメラは避けること」といったロボットの身体性に即した文脈を教え込むことで、成功率が劇的に上がったといいます。

道具としての API と安全性の担保

このシステムではツール側からのフィードバックも重要です。「すでに物を掴んでいるため別の物を拾えない」といった状態が返されると、Gemini は即座に行動を修正し、まず靴を棚に置いてから次の動作へ移ります。

同時に、Gemini の権限は API の枠内に厳格に制限されています。モデルが暴走して想定外の物理挙動を起こす心配はなく、Spot の安全基準と AI の適応力を両立させました。

なお、今回の清掃は実験的な検証ですが、産業向けの応用はすでに始まっています。Boston Dynamics は、さらに新しい「Gemini Robotics ER 1.6」を搭載した外観検査機能「AIVI-Learning」を、Spot および管理基盤 Orbit 向けに展開済みです。

なぜ重要か

私たちは、この取り組みがフィジカル AI の最も現実的で賢い落としどころを示していると考えています。

ロボット業界では今、すべてを単一のニューラルネットワークに委ねるエンドツーエンド手法が脚光を浴びています。しかし、現場で求められるのは信頼性と予測可能性です。Boston Dynamics は十数年磨き上げた足回りの制御を一切壊さず、上流の「状況把握と計画立案」だけを Google の最先端基盤モデルに任せました。

開発者にとっては、これまで膨大な時間を要していた動作シナリオのコーディングが、自然言語プロンプトと数個の API 連携に置き換わることを意味します。タスク適応のコストが桁違いに下がるはずです。

もちろん課題もあります。外部モデルとのやり取りによるレイテンシや、推論のわずかなブレは即応性が求められる場面ではまだネックになります。それでも、既存の優れたハードウェア資産を活かしつつ自然言語で柔軟に動かすこの構成は、今後の産業ロボット活用の本命ルートになるはずです。