Gemini Robotics 2｜1.x系から進化したところ

01モデル構成

この3つは、同じモデルの派生版ではありません。3つとも役割が違い、場面を理解して計画を立てるモデル、その計画を動作に変えるモデル、ロボット本体のハードウェア上で動くモデルに分かれます。実際に動くシステムは、このうち複数を同時に使います。

DeepMind自身の安全性レポートは、この分け方を「システム2／システム1」構成と呼んでいます。上流に時間をかけて考える計画役、下流に反射的に速く動く制御役を置き、上流が下流に作業を渡す形です。3つのうち開発者が自由に使えるのが1つだけである理由も、この構成から説明できます。詳しくは後半の「入手方法」で扱います。

021.x系からの変化

2は、2025年3月に始まった系列の5番目のバージョンにあたります。3つのモデルはそれぞれ別の周期で更新されてきたので、1.x系からの伸び方もモデルごとに違います。

すべてが置き換わったわけではありません。1.5が導入した2つの仕組み、つまりある機体で見せた動作を別の機体へ持ち込む「Motion Transfer」と、行動する前に自然言語で考える工程は、2でさらにアップデートされています。そう読むと、全身制御や数分単位の計画は、まったく新しい方向というより、この2つの延長線上にあるものです。

推論モデルは、対応する動作モデルのアップデートを伴わないまま3回更新されました。開発者が通常のAPIから触れるのが、こちらの半分だけだからです。今回は表記も変わりました。1.6までは「Gemini Robotics-ER」で、バージョン2からはハイフンの無い「Gemini Robotics ER 2」です。

03全身制御

これまでのGemini Roboticsは、実質的に上半身のモデルでした。テーブルの上で腕と手を動かすことが中心で、その可動範囲の外にあるものは対象外でした。Gemini Robotics 2では脚と胴体、つまりロボットの重心そのものが制御対象に加わります。これにより、目標に向かって歩き、しゃがみ、身体を傾けて手を伸ばせるようになりました。

DeepMindが挙げている実例は「じょうろを、下の棚の緑の箱に入れて」という指示です。Apptronikのヒューマノイド「Apollo 2」がテーブルまで歩いてじょうろを取り、棚まで歩いて所定の場所に置きます。移動と、低い棚に手を伸ばすときに必要なバランス制御の両方を、モデルが担当しています。

注目したいのは床からの取り上げです。地面にある物を拾う動作こそ全身制御が最も必要になる場面ですが、公開されている数値はそこが最も低くなっています。この機能がまだ新しいことを、そのまま表した結果と言えます。

04器用さ

2つ目の進展は、人が手作業でプログラムするのが難しいほど複雑なハンドを扱えるようになったことです。Gemini Robotics 2は、22自由度の5本指ハンド「SharpaWave」を装着したApollo 2を動かせるほか、Franka Duoに取り付けたRobotiq製グリッパーのような一般的な2本指の平行グリッパーも動かせます。この幅は商業面で重要です。現場に既に入っているロボットの多くは、人の手を模したハンドではなく単純なグリッパーを付けているからです。

DeepMindが公開したタスク一覧は、意図的に細かい作業で構成されています。ゴミ袋の口を縛る、ジッパー付き保存袋を閉じる、ちり取りに掃き入れる、電球をソケットにねじ込む。いずれも、作業中に動いてしまう対象に対して力加減を絶えず調整する必要があります。

電球を外す動作とねじ込む動作は、ほぼ同じ動きを逆向きにたどるだけですが、公開された数値の差はこの一覧で最大です。外す側はある程度の粗さが許されます。ねじ山がかみ合えば、あとは自然に導かれるからです。ねじ込む側は力をかける前に軸を合わせておく必要があり、そうはいきません。

なお2本指グリッパーでは、精密な挿入作業を含めて、公開されたどのタスクでも高い数値が出ています。高機能なハンドが、そのまま信頼性の高いハンドになるわけではないということです。

05複数ロボットの連携

3つ目の進展は、動作モデルではなくER 2側のものです。1つの推論モデルが複数のロボットにまたがる計画を保持し、それぞれの機体構造に合った担当部分を割り振り、誰がどこまで終えたかを追えるようになりました。DeepMindのデモでは、ヒューマノイドのApollo 2と双腕マニピュレータのFranka F3 Duoを組み合わせています。別の構成では、ER 2がBoston DynamicsのSpotを、その移動・マニピュレータAPI経由で指揮します。

これを実用的にしているのは、ER 2が見ているものの変化です。静止画ではなく連続した映像を読むため、ある工程が実際に終わったかを判断し、失敗に気づき、作業の途中で計画を立て直せます。DeepMindは数分間にわたり数百回の判断を要するタスクを挙げていますが、これは静止画1枚ずつで作業を監督するモデルには扱えない長さです。

この中では進捗判定の絶対値が最も低く、しかも複数ロボットの連携が最も依存する能力でもあります。作業がどこまで進んだかを正しく判断できない指揮役は、次の指示を出すタイミングを間違えるからです。

06安全性の評価

DeepMindはモデルと同時に安全性レポートを公開し、評価に使ったベンチマーク「ASIMOV-Agentic」をデータセットとして配布しました。そこでの主張は、非常停止や速度制限といった物理的な安全対策は今後も必要だが、それだけでは足りない、というものです。自分で作業手順を組み立てるモデルは、物理的な安全装置が反応する対象を生む前に、危険な状況へ踏み込んでしまうことがあるからです。

結果のばらつき方には示唆があります。ER 2を含め、評価した最先端モデルはいずれも、構造化された安全メッセージへの反応で100%を記録しました。従来のソフトウェアに最も近い部分です。一方、そもそもその作業が実行可能かの判断は、動作モデルの学習内容をどれだけ事前に伝えてあるかに大きく左右され、正答率は説明なしの62.0%から、最も詳しく説明した場合の95.8%まで開きました。

レポートが自ら対象範囲を明記している点は、個々の数値より重要です。評価しているのは高次の意味的な推論だけで、実際に人の近くで運用するために必要な次の3つは評価していない、と述べています。

ここで高い点を取ることと、人のそばで働く許可が下りることは別の話です。そちらはISO/TS 15066などの規格が扱う、別の領域の技術です。

07入手方法

一般に利用できるのは推論モデルだけです。2つの動作モデルはアーリーアクセスの枠内にとどまっています。これは、これまでのGemini RoboticsのVLAでもDeepMindが一貫して取ってきた形です。

対応ハードウェアは、話題の中心にあるヒューマノイドにとどまりません。DeepMindはApptronik・Boston Dynamics・Agile Roboticsを提携先として挙げており、公開された評価はApollo 2とFranka Duo、そしてオンデバイス版ではDexmate・Trossen・SO-101の各プラットフォームに及びます。最後のSO-101は低価格のオープンソースアームです。

08よくある質問（FAQ）

09出典