Gemini Robotics 2でGoogleは汎用ロボット制御をさらに前進

Googleはより広範な制御モデルでロボティクス基盤を拡張する

Google DeepMindはGemini Robotics 2を発表した。これは新しい視覚・言語・行動モデルで、同社によれば、非常に異なる種類のロボットに共通の制御レイヤーとして機能できるという。元資料の説明によれば、このモデルは卓上ロボットアームから全身型ヒューマノイドロボットまで、さまざまなシステムで動作することを想定しており、Googleが大規模マルチモーダルモデルを物理世界で動くソフトウェアへと変える取り組みをさらに進めるものだ。

この発表が重要なのは、ロボティクス開発者が長年、断片化の問題に直面してきたからだ。ある機種やタスクでうまく動くモデルでも、別の身体構造、センサー構成、環境に対応するには大幅な調整が必要になることが多い。DeepMindはGemini Robotics 2を、より一般化された基盤への一歩として位置づけている。つまり、画像を解釈し、言語を処理し、それらの入力をより幅広いハードウェア上の行動へ変換できるモデル群だ。

この位置づけは、技術的主張を超えて重要だ。実務上、ロボット向けの「知能レイヤー」は、認識・推論・制御の中核ソフトウェアが多くのプラットフォームで再利用され、ハードウェアメーカーは機構、信頼性、コスト、展開性で差別化する市場を示唆する。もしこのアプローチが実世界での検証に耐えれば、物流、産業用ハンドリング、研究、サービス用途向けの適応型ロボットを構築するハードルを下げる可能性がある。

DeepMindが述べる新モデルの能力

元テキストでは、Gemini Robotics 2はDeepMind史上最先端の視覚・言語・行動モデルと説明されている。視覚・言語・行動システムは、視覚理解、自然言語解釈、運動制御を組み合わせ、ロボットが見たものと指示された内容を結びつけ、物理的な応答を実行できるようにする。

DeepMindによると、新モデルは全身の動作、細かな手作業、複数ロボットの協調を扱えるという。これはまったく異なる3つの要求だ。全身動作には、より広い空間計画とバランスに関する制御が必要になる。細かな作業には、より精密な操作が求められる。複数ロボットの協調には、タイミングと共有タスクの複雑さが加わる。こうした能力を1つのプラットフォームにまとめることが、Gemini Robotics 2が単なる漸進的なアップグレードではなく、より広い制御アーキテクチャだという同社の主張の中核にある。

ソースでは、開発者がウェイトリスト経由で早期アクセスを申請できるとも述べられている。これは高度なAIシステムでよくある展開パターンを示している。まず公開発表を行い、その後は限定アクセスを提供し、性能と安全性が十分であればより広く展開する。開発者にとって短期的な意味は、すぐに本番導入することよりも、評価、プロトタイピング、既存のロボティクス基盤の中でこのモデルがどこに位置づくかを理解することにある。

もう1つのモデルは体現的推論に焦点を当てる

Gemini Robotics 2に加えて、Google DeepMindはGemini Robotics ER 2も発表した。「ER」はembodied reasoning、つまり体現的推論を指し、元テキストでは、物理世界を理解し、その理解に基づいてどの行動を取るかを決めることだと説明されている。言い換えれば、このモデルは低レベルの実行よりも、高レベルの解釈やロボットシステム向けの意思決定支援を狙っている。

DeepMindは、ER 2が4月にリリースされたGemini Robotics ER 1.6に代わるものだとしている。この短い更新サイクルは、モデルの有用性が汎用AI能力とロボティクス固有のチューニングの両方に依存する分野で、同社が迅速に反復していることを示唆する。注目すべき配布面の違いは、ER 2がGoogle AI Studioで利用可能になっている点だ。これにより、より広いRobotics 2制御モデルが早期アクセスで制限されるのに対し、開発者はスタックの推論側をより直接的に試せる。

汎用制御モデルと推論モデルを分ける設計は、ロボットAI全体の設計トレンドとも一致する。企業はますます、「ロボットは何をすべきか？」と「ロボットはどう物理的にそれを行うか？」を分けて考えるようになっている。推論システムはタスク分解、場面理解、手順計画を助け、制御モデルはそれらの計画を動作に変換する。DeepMindの製品構成はこの分業に沿っているように見える。

この発表が重要な理由

今回の発表は、次世代ロボットのソフトウェア基盤を定義しようとする競争をさらに加速させる。業界は、厳密に台本化された自動化から、より予測しにくい環境にも適応できるシステムへと移行している。倉庫、工場、研究所、そして将来的には一般向け環境まで、あらゆる例外ケースに手作業の詳細なプログラミングを必要としないロボットが求められる。

DeepMindの説明からは、同社が多モーダル基盤モデルこそがこの適応性への道だと見ていることがうかがえる。ロボットが言語指示を解釈し、視覚シーンを解析し、タスクをまたいで行動を一般化できれば、開発者はより少ない専用コードで柔軟な製品を作れるようになるかもしれない。もちろん、安全性、レイテンシ、キャリブレーション、ハードウェア統合、評価といった難しいエンジニアリング作業がなくなるわけではない。しかし、スタックの中で最も難しい問題の位置は変わり得る。

Googleにとっても戦略的な意味がある。ロボティクスは、ソフトウェア側が一般化に苦戦してきたため、これまで何度も盛り上がっては停滞してきた。ロボティクスを同社の旗艦AIモデル群により直接結びつけることで、Google DeepMindは、汎用的なマルチモーダルAIの進歩が具現化システムの進歩へとつながると主張している。これは、ロボティクスを大きく独立した研究分野として見るよりも強い商業的な物語だ。

次に注目すべき点

• 早期アクセスの開発者が、特定ロボットに限定された狭いデモではなく、プラットフォーム横断で強い性能を報告するかどうか。
• Gemini Robotics 2を異なる身体構成や安全制約に適応させるために、どれだけの統合作業がまだ必要か。
• Google AI Studio上のER 2が、DeepMindの直接的なエコシステム外のロボティクス開発者にとって実用的な計画ツールになるかどうか。
• 汎用ロボットソフトウェアプラットフォーム構築競争が加速する中で、競合がどう反応するか。

現時点では、この発表は、広範な能力を持つロボットがすぐにどこでもスケール可能だという証明というより、重要な製品・プラットフォームのシグナルとして読むのが妥当だ。ただし、これは少なくとも、最大級のAI研究所の1つが市場の向かう先をどう見ているかを示している。すなわち、多様な機械の上位に置かれ、現実世界でより適応的にする、再利用可能な多モーダル知能レイヤーへ向かうということだ。

この記事は The Decoder の報道に基づいています。元記事を読む。