DeepMind がロボティクスの訴求を拡大
Google DeepMind は Gemini Robotics 2 を発表し、腕や卓上操作に限られていたロボットシステムを超えて、より広い全身自律へ向かう一歩として位置づけた。The Robot Report によると、この更新された vision-language-action モデルは、インテリジェントな全身制御、より高い器用さ、そして複数ロボットが連携して動作するためのサポートを追加している。
この発表が重要なのは、ロボット工学に残る大きなギャップを狙っているからだ。多くのシステムは限定的な環境で慎重に設計された操作タスクを実行できるが、知覚、言語理解、そして人型全身にまたがる協調運動を統合できるものははるかに少ない。DeepMind は、Gemini Robotics 2 が歩く、しゃがむ、伸びる、物を扱うといった動作を単一タスクの一部として推論できることで、その閾値により近づくと主張している。
だからといって、汎用人型ロボットが到来したわけではない。報道は、移動速度にはまだ改善が必要だと慎重に指摘している。しかし、このリリースは、多モーダル AI を卓上デモの層から、より現実的な物理作業のためのコントローラへと変える重要な一歩として位置づけられている。
上半身デモから全身アクションへ
DeepMind の以前のモデルは、卓上タスク向けの上半身制御に焦点を当てていた。これに対して Gemini Robotics 2 は、ロボットの全身を管理できると説明されている。The Robot Report は、このシステムがユーザーの意図を協調した全身運動へ変換し、人型ロボットが空間を移動し、移動と操作の両方を伴うタスクを完了できるようにすると伝えている。
報道では Apptronik の人型ロボット Apollo 2 が例として使われている。低い棚の緑の箱にじょうろを入れるよう指示されると、ロボットは依頼を理解し、テーブルまで歩いて物体を拾い、部屋を横断して、目的地に置くとされている。この一連の流れが注目に値するのは、どれか1つの動作が前例のないものだからではなく、自然言語の指示、物体操作、歩行、正確な配置を1つの連続した行動にまとめているからだ。
こうした能力が制御されたデモの外でも堅牢であれば、人型プラットフォームが試せることの実用的な広がりを意味する。倉庫、研究室、サービス現場では、固定作業台での孤立した腕の動きよりも、まさにこの機動性と操作性の組み合わせが求められることが多い。
器用さと協調ももう1つの目玉
DeepMind は、より細かな運動制御も強調している。The Robot Report によれば、Gemini Robotics 2 は Apollo 2 に搭載された5本指22自由度の SharpaWave ハンドを制御できる。これは同社が大まかな移動だけでなく、有用な把持や配置に必要なより繊細な指と手の動きにも取り組んでいることを示唆する。
器用さは、現実世界のロボット工学で最も難しい要素の1つだ。部屋の中を歩けるロボットでも、さまざまな物体を確実につかみ、適切な向きにし、雑然とした環境とやり取りできなければ、その価値は限られる。高度な手の制御を強調することで、DeepMind は自社のロボティクス技術基盤が、ナビゲーションと言語解釈だけでなく、操作問題のより広い範囲をカバーすることを目指していると示している。
同社はまた、複数ロボットの協調も導入している。報道によると、Gemini Robotics ER 2 は vision-language model エージェントとして構築された具身体性推論モデルで、人と会話し、物理世界を理解し、数分にわたる複数ステップのタスクを計画するのをロボットに支援するよう設計されている。DeepMind はこの推論層を、ロボットが孤立した機械としてではなく、チームとして仕事を進めるための基盤として位置づけている。
この点は戦略的に重要だ。産業自動化では、ロボットシステムの価値は複数の機械とワークフローのオーケストレーションに左右されることが多い。AI モデルが受け渡しを調整したり、ロボット間で作業を分担したりできれば、導入の経済性はより柔軟な自動化に有利に変わる可能性がある。
オンデバイス実行は導入範囲を広げるかもしれない
もう1つの注目点はローカル実行だ。The Robot Report は、Gemini Robotics 2 がオンデバイスで動作し、まったく新しいロボット本体にも数時間で適応できると伝えている。DeepMind は別途 Gemini Robotics On-Device 2 も発表しており、ロボットハードウェア上でローカルに動作するよう最適化され、数時間分のデータで新しい身体構成に適応できるとしている。
この主張は、ロボット導入における2つの現実的な制約に対応している。第1に、クラウド依存は遅延、信頼性の懸念、運用上の複雑さを増す。第2に、ロボット開発者は新しいプラットフォームごとにシステムをゼロから再学習したくない。異なる身体構成へ素早く再適用できるモデルは、ハードウェアメーカーや、統合サイクルを短縮したい企業顧客にとって魅力的だろう。
ただし、利用可能性はまだ限定的だ。The Robot Report によると、Gemini Robotics ER 2 は Google AI Studio と Gemini Enterprise Agent Platform のプライベートプレビューで利用可能であり、VLA とオンデバイスモデルは早期アクセスのパートナー向けに提供されている。つまり今回の発表は、広範な製品リリースというより、管理された展開に近い。
物理 AI にとって何を示すのか
より広いメッセージは、大手 AI 企業がデジタルアシスタントだけでなく、物理システムにも強く踏み込んでいるということだ。DeepMind の位置づけからは、多モーダルモデルが理解と行動を結びつけられることを証明すべき次の領域としてロボティクスを見ていることがうかがえる。言語、視覚、計画は有用だが、ロボティクスでは、それが現実の複雑な空間で信頼できる動きを生み出して初めて意味を持つ。
Gemini Robotics 2 は、人型ロボットが勝者となる形状なのかという問いを決着させるものではないし、基盤モデル型の制御が信頼性の問題を解決したことを証明するものでもない。しかし、この分野が向かっている方向は示している。すなわち、異なるロボット本体間で一般化し、ローカルで実行し、移動と器用さの両方を使い、複数ステップのタスクで他のロボットと協調できるモデルだ。
なぜ重要か
- 今回のリリースは、AI 制御を卓上操作から全身運動へ拡張する。
- DeepMind は移動能力と器用な手の制御を組み合わせており、実用作業に不可欠な要件だ。
- オンデバイス実行とより速い適応は、新しいハードウェアの統合障壁を下げる可能性がある。
- 複数ロボットの協調は、単一目的の機械ではなく、より広範な自動化システムを示している。
当面の試験は、早期アクセスのパートナーが、デモシナリオ以外でもこの能力を再現できるかどうかだ。もし可能なら、Gemini Robotics 2 は、多モーダル AI のデモからより高性能な物理自動化へ移るうえで重要な指標となり得る。
この記事は The Robot Report の報道に基づいています。元の記事を読む。
Originally published on therobotreport.com