全身をひとつの方針で動かすVLA、司令塔役のER 2

Google DeepMindが発表した「Gemini Robotics 2」は、3つのモデルからなるロボット向けAI群だ。中心となる「Gemini Robotics 2」（VLA）は、カメラ映像と言葉による指示をロボットの動作に変換する基本モデルで、脚・胴体・腕・多指ハンドを1つの学習済み方針だけで制御する、DeepMind初のフルヒューマノイド対応VLAとなる。

上位に位置する「Gemini Robotics ER 2」は、周囲を観察し、複数の手順からなる作業を組み立て、進捗を監視しながら人への助けを求めるタイミングまで判断する、いわば司令塔の役割を担う。異なる種類のロボット同士が情報をやり取りし、1台では終えられない作業を分担する「複数ロボット協調」は、このER 2が担う機能だ。3つ目の「Gemini Robotics On-Device 2」は、ネット接続なしでロボット本体だけで動く軽量モデルで、200例に満たないデータでも数時間で新しい機体形状に適応できるという。

テープをラジカセに入れ、ゴミ袋を結ぶ、精密な部品挿入も

VLAが可能にする全身制御の具体例として、DeepMindは歩く・しゃがむ・伸びをする・重心を移動するといった全身の動きと、腕や指先の作業を同時にこなす様子を示している。カセットテープをラジカセに入れる、電球をねじ込む、ゴミ袋の口を結ぶといった、これまでのロボットAIでは難しかった細かい動作が例に挙がる。棚や床にある物を持ち上げる作業の成功率は45.7〜76.3%、精密な部品の挿入作業では89.6%の成功率になったといい、確認できた範囲では作業内容によって成功率に幅がある。

対応するハードウェアは、Apptronikの人型ロボット「Apollo 2」（SharpaWave製・Inspire製の両ハンド）、Franka Duoの双腕ロボットのほか、Dexmate・SO101・Trossenの各プラットフォームに及ぶ。Boston DynamicsやAgile Robotsも協力しており、同じモデルがデスクトップ型の腕から全身型ヒューマノイドまで、形もセンサー構成も異なる複数のロボットに対応する。

ハサビスCEO「これまでできなかった作業ができるように」

デミス・ハサビスCEOは自身のXアカウントで「Gemini Robotics 2が登場した。新しいモデル群によって、ロボットはあらゆる動きを考え抜き、繊細な結び目を作るといった、これまでできなかった作業をこなせるようになった。複雑な作業を解決するためにチームを組むこともできる。ロボティクスチームのこの大きな節目に、心からおめでとうと言いたい」とコメントした。

DeepMindでロボティクス部門を率いるキャロリーナ・パラダ氏は、「AIが物理的な世界で人の役に立つためには、周囲を理解し反応する人間らしい”身体化された”推論能力を示すとともに、安全に行動を完了できることが欠かせない」と説明している。パラダ氏はまた、ロボットが遭遇する状況の幅が広がるほど安全面の不確実性も増すとして、安全性への理解を一段と深める必要性を指摘した。

危険な指示は拒否、人の接近で自動停止する安全機能も

安全面では、危険な結果につながりかねない指示を検知する新しいベンチマーク「ASIMOV-Agentic」を導入した。安全でないツールの呼び出しを拒否したり、不確実な場面で自ら人に助けを求めたりする能力を測るもので、人が近づいた際の自動停止機能や、安全上の制約に従う精度も高めたという。

利用範囲は現時点で限定的だ。ER 2はGoogle AI StudioとGemini Enterprise Agent Platformの限定プレビューで試せるが、VLA本体とOn-Device版は、申請によるアーリーアクセスパートナー（主にロボット製造各社）向けの提供にとどまる。歩行から指先の作業まで一つのAIでまとめて担い、複数のロボットが連携する仕組みが実際の現場でどこまで安定して動くか、今後の対応ロボットの広がりとあわせて注目される。

[文/構成 by MEDIA DOGS編集部]