Google DeepMindがロボット向けGeminiを発表：折り紙もこなす器用さ

画面の中で文章を書いたりコードを生成したりする AI には慣れてきましたが、折り紙を折ったり、スナック菓子をジッパー袋に入れたりといった日常の作業をロボットにやらせようとすると、途端に難易度が跳ね上がります。

Google DeepMind は 3 月 12 日、Gemini 2.0 をベースにしたロボット向けの新しい 2 つの AI モデル「Gemini Robotics」と「Gemini Robotics-ER」を発表しました。言語や画像のマルチモーダル推論を、物理世界で手足を動かすための知能へと拡張する試みです。

直接動かす手と、空間を見極める頭脳

今回登場した 2 つのモデルは、明確に役割が分かれています。

Gemini Robotics は、視覚・言語・行動を一体化した VLA（Vision-Language-Action）モデルです。物理的な動作そのものをモデルの出力として扱い、ロボットを直接制御します。汎化性能のベンチマークにおいて、従来の主要な VLA モデルと比べて平均で 2 倍以上の性能を達成したとされています。日常会話のような指示を複数言語で理解できるほか、折り紙のような細かな指先の制御を伴うタスクもこなせます。

一方の Gemini Robotics-ER（具身推論）は、ロボットの目と頭脳の役割を担うモデルです。3D 検出や空間把握、コード生成を組み合わせ、既存の低レイヤー制御プログラムと連携して動作します。カップの取っ手をつかむ安全な軌道を推論してコードを出力するようなタスクで、ベースとなる Gemini 2.0 の 2 倍から 3 倍の成功率を記録しました。

DeepMind はすでに人型ロボット「Apollo」を開発する Apptronik と提携を結んでいるほか、Boston Dynamics や Agility Robots、Agile Robots、Enchanted Tools などにもテスト提供を始めています。物理的な安全性にも配慮し、アシモフのロボット工学三原則に着想を得た自然言語による行動憲法フレームワークと、安全評価用データセット「ASIMOV」も同時に公開されました。

なぜ重要か

これまでのロボティクスは、対象物の位置が少しずれたり部屋の照明が変わったりするだけでプログラムが動かなくなる脆さを抱えていました。Gemini の世界理解能力を物理動作に持ち込んだことで、学習していない未知の物体や環境にも柔軟に対応できるようになりつつあります。

特に、全体をブラックボックス化してモーターを直接回す VLA だけに依存せず、既存の安全制御と組み合わせやすい Robotics-ER を用意した点は賢明な判断だと考えられます。重量のある金属製ロボットが人間の近くで作業する以上、低レイヤーの衝突回避や力制御を切り離して維持できる仕組みは実用的です。

ただし、折り紙のようなデモと、油や埃が舞う現場での継続運用には大きな隔たりがあります。大規模モデル特有の推論遅延や通信コストを抑えつつ、ミリ秒単位の物理フィードバックにどう追従し続けるのかという課題は残されています。現在は限定的なパートナー企業向けの公開にとどまっており、一般のロボット開発者が手軽に試せる段階になるまでにはもう少し時間がかかりそうです。