Google DeepMind、全身制御AIのGemini Robotics 2を公開

Google DeepMindはGemini Robotics 2を発表した。これは、ロボットに全身の自律性、高度な器用さ、複数マシン間での協働能力を付与するよう設計された包括的なAIモデルスイートである。システムはApptronik製Apollo 2ヒューマノイドロボットで実証されており、歩行・しゃがみ込み・屈曲・物体操作といった全身自動移動を実行しながら同時に複雑なタスクをリアルタイムで推論できる。

リリースは3つの異なるモデルで構成されている。Gemini Robotics 2自体は視覚・言語・行動（VLA）モデルで、視覚と言語の入力をロボット動作に変換し、ヒューマノイドロボット全体とデュアルアーム系の両方を制御する。Gemini Robotics ER 2は具体化推論モデルで、マルチステップタスクを計画し、人々と通信し、複数ロボットがワークフロー上で協働できるようにする能力を持つ。Gemini Robotics On-Device 2はロボットハードウェア上で直接動作する最適化VLAモデルで、クラウド接続を必要としず、わずか数時間の訓練データのみでロボット形態に適応できる。

Gemini Robotics 2における重要な進展は全身制御である。従来のバージョンは上半身操作に主に焦点を当てていたが、新しいモデルは「足から指先まで」の動きの調整を実現する。デモンストレーションでは、Apollo 2が「じょうろを緑色のごみ箱の下の棚に入れてください」という指示を受け、部屋を歩き、物体を拾い、正しい場所に置く。システムはまた改善された器用さも実証しており、Apptronikの5本指SharpaWaveハンドを備えたApollo 2を制御してゴミ袋を結ぶ、電球を外すなどのタスクを実行する。産業設定では、モデルは精密挿入とパッキングのための従来型パラレルグリッパーをサポートしている。

マルチロボット協働は別の新しい能力を表している。Gemini Robotics ER 2により、異なるロボットタイプが複雑なワークフロー上で通信・調整でき、単一マシンがあらゆるタスクを実行する必要はなくなる。推論モデルは数分間のタスク実行を管理し、進捗を監視し、失敗から回復し、変わる状況に適応するよう設計されている。Google DeepMindは全体的なプラットフォームをロボットの「インテリジェンスレイヤー」と表現し、マシンが事前プログラミングされたタスクを超え、変わる環境に適応することを可能にし、ハードウェアに数時間で適応できると述べている。

安全はこのリリースに不可欠である。Google DeepMindはASIMOV-Agenticというベンチマークを導入した。これは「エージェント安全オーケストレーションと不確実性解決」を評価するよう設計され、ロボットが危険な行動を拒否できるか、タスクが安全に完了できないことを判断できるか、適切に人間の介入を要求できるかを測定する。Gemini Robotics ER 2は人間認識能力も向上させ、ロボットが近くの人を検出し、安全機能をトリガーし、作業エリアに誰かが入ったときに安全に停止できるようにする。発表は企業の継続的な協働の上に成り立っており、Apptronikは今月初めRobot Parkを立ち上げた。ここではApollo 2ロボットがGemini Robotics 2を含む次世代AIモデルの訓練に使用されるデータを収集している。Gemini Robotics ER 2はGoogle AI Studioおよびgemini Enterprise Agent Platformの非公開プレビューで利用可能になっており、Gemini Robotics 2とGemini Robotics On-Device 2は厳選されたアーリーアクセスパートナーに提供されている。