DeepMindがロボAI新版発表

DeepMindのGemini Roboticsプラットフォームは、ライブ映像と指示から計画を立てるGemini Embodied Reasoningと、実際のロボットの動作を生成する視覚言語行動モデルGemini Robotics（現在バージョン2.5）の2つのモデルに作業を分担させている。新バージョンは、トングで料理を盛り付けたりピペットを使ったりするなど、200以上の活動で評価された。際立ったデモでは、ApptronikのヒューマノイドApollo 2が5本指の手でリボンを結んだ。リボンのような変形する物体はロボットにとって扱いが難しいため、この作業の難度は高い。

性能の向上は、Gemini 4 Argonで構築したシミュレーションエンジンによるところも大きい。実世界のカメラデータから練習用の数千ものバリエーションを生成した。こうした「デジタルツイン」により、モデルは新しい作業や環境に素早く適応できるようになったが、DeepMindは合成データを従来の訓練用デモと組み合わせている。Argonは失敗の分析にも使われたがリアルタイムではなく、現行の2.5リリースは依然クラウド上のサーバーで動作するため、精度と速度の向上にはある程度の遅延が伴う。

安全性は依然として課題だ。推論時の思考により、障害物や人が進路にある場合にロボットは停止または待機できる。DeepMindによると、これにより障害物がある場合のタスク完了率が33%、人が近くにいる場合は43%それぞれ向上した。ロボットAIを危険な動作に誘導するよう設計された1,500件のプロンプトからなるオープンソースの安全性ベンチマークASIMOV-Jailbreakは、業界を共通の安全基準へと促すDeepMindの試みだ。Argonを組み込むとジェイルブレイク安全性は98.8%となり、Gemini Robotics ER 2単体の73.5%を上回る。