Google DeepMind、ロボット制御モデル「RT-2」発表　未知タスクの成功率が62％に倍増

机の上のゴミをロボットに片付けさせる作業は、これまで想像以上に困難な挑戦でした。

従来のロボット開発では、リンゴを認識させ、赤いボールと区別し、アームの角度を計算して持ち上げる手順を、対象ごとにゼロから教え込む必要がありました。

Google DeepMindが発表したRT-2（Robotics Transformer 2）は、この常識を根底から覆す新しいアプローチを提示しています。

推論と動作をひとつのモデルに統合

これまでのロボットシステムは、複数のモデルによる伝言ゲームのような構造で動いていました。

言語モデルが高レベルな計画を立て、画像モデルが状況を把握し、別の制御システムがモーターを動かすという多層構造です。

RT-2は、視覚・言語・行動を直接結びつけるVLA（Vision-Language-Action）モデルとして設計されました。

Web上の膨大な画像とテキストデータから学んだ概念を、ロボットのアームを動かす具体的なアクション出力へと直接変換します。

Webの知識からゴミの意味を理解する

物理世界であらゆる物体との接触データを収集するのは、コスト的にも現実的ではありません。

RT-2は、Webデータから得た一般的な知識をロボットの行動に応用できます。例えば、食べ終わったポテトチップスの袋やバナナの皮がゴミであるという抽象的な常識を、追加の訓練なしに判断できます。

6000回以上の実機テストにおいて、学習済みのタスクでは前世代のRT-1と同等の性能を維持しました。

注目すべきは未知の環境や物体に対する適応力です。未学習のシナリオにおけるタスク成功率は、RT-1の32％から62％へとほぼ倍増しました。

なぜ重要か

ロボット開発に携わるエンジニアにとって、RT-2の登場は開発手法の大きな転換点になります。高価な実機データを大量に集めなくても、Web上のテキストや画像から行動原理を転用できる可能性が示されたためです。

業界全体で見れば、頭脳と身体制御を切り離していた従来の具身知能（Embodied AI）のアプローチを見直す契機になります。大規模言語モデルの推論能力をそのまま物理アクションに直結させる手法は、競合各社の開発ラインにも影響を与えるはずです。

私たちは、物理データの不足というロボティクス最大の壁をWebデータで迂回した点を非常に賢い判断だと考えています。

一方で課題も明白です。未知環境での成功率62％は研究としては大躍進ですが、実用環境では約4割の失敗が許されない現場がほとんどです。汎用ロボットの実用化に向けて大きな一歩を踏み出したものの、安全性と精度の向上にはまだ時間がかかりそうです。