Google、ロボット向け新モデル「Gemini Robotics」の詳細を公開

テーブルの上に置いた靴の中にペンを入れるよう指示し、見たこともないおもちゃのバスケットゴールを前に「スラムダンクして」と頼む。

双腕ロボットは少し考えた後、最初の試行でスムーズにダンクシュートを決めてみせました。Google DeepMindでロボティクス部門を率いるCarolina Parada氏が率いるチームが目撃した、最新モデルの能力です。

Googleは、ロボット向けに特化した新しいGemini 2.0モデル群を発表しました。Google CEOのSundar Pichai氏も、次世代ロボティクスの基盤を築く節目だとコメントしています。

折り紙のキツネから人型ロボットまで

今回の新モデルはGemini 2.0をベースに、ロボット特有のデータで微調整されています。テキストや動画、音声に加えて、物理的なアクションを出力できる点が特徴です。

ラインナップは主に2つのモデルで構成されています。1つ目はGemini 2.0 Flashをベースにした具身推論モデル「Gemini Robotics-ER」です。

このモデルは周囲の物体を検出し、3D空間内での位置やサイズを把握し、動かすために必要な軌道や把持方法を予測して実行コードを生成します。現在は信頼できるテスターやパートナー向けに提供されています。

もう1つは、より高度な操作性を追求した「Gemini Robotics」です。ロボット工学において長年の難関とされてきた手先の器用さに焦点を当てています。

従来の「単一タスクを解けるまで反復学習させる」手法とは異なり、DeepMindは膨大な種類のタスクを幅広く学習させる方針を選びました。その結果、サラダの調理、弁当箱の詰め込み、三目並べ、さらには折り紙のキツネを折るといった複雑な動作までこなせるようになっています。

また、研究用の双腕ロボットALOHAだけでなく、提携先であるApptronikのヒューマノイドロボット「Apollo」など、異なる機体形状にも適応可能です。

なぜ重要か

私たちは、この発表がロボット開発における「汎用性」の獲得に向けた大きな前進を示していると考えます。

これまでの産業用ロボットは、決められた軌道をなぞるだけで、環境が少し変わるだけで停止してしまうのが常でした。Geminiの推論能力と物理制御を融合させたことで、事前の特定訓練なしに「ダンクシュート」のような抽象的な言葉から初見のタスクをこなす道が開かれました。

研究者や開発パートナーにとっては、Gemini Robotics-ERのようなモデルを活用することで、空間認識や軌道生成を一から開発するコストを大幅に省けるメリットがあります。

ただし、Parada氏自身が認めるように、家庭内で日常の家事をすべて代行してくれる未来はまだ何年も先の話に見えます。整った研究室内で折り紙を折ることと、散らかった家庭内で予期せぬトラブルに対応することは難易度がまったく異なります。当面は、高精度が求められる複雑な工場や過酷な作業現場など、産業用途での実用化が先行することになりそうです。