Google DeepMind、「考えてから動く」ロボットAI「Gemini Robotics 1.5」を発表　計画モデルはAPIで開発者に開放

Google DeepMindは2025年9月25日、汎用ロボットの仕事を「計画」と「実行」に分けた2つのロボットAIモデルを発表した。Gemini Robotics 1.5はカメラ映像と指示をモーター指令に変換する視覚言語行動（VLA）モデルで、同社によると動く前に推論の過程を自然言語で書き出す。Gemini Robotics-ER 1.5は物理世界の理解に特化した視覚言語モデル（VLM）で、複数段階の作業計画を立て、Google検索などのデジタルツールを直接呼び出し、実行手順をVLAに渡す。

提供範囲は大きく異なる。グーグルの開発者向けブログによると、ER 1.5は発表当日にGoogle AI StudioとGemini APIでプレビュー版として公開され、モデル名はgemini-robotics-er-1.5-previewとなった。実際にロボットアームを動かすGemini Robotics 1.5は「一部のパートナー」限定で提供するとDeepMindは説明した。いずれも重みは公開していない。

最も具体的な数値は同時に出た技術報告書にある。報告書は査読を経ていないプレプリントで、2025年10月2日にarXiv（2510.03342）に掲載された。ER 1.5がGemini Robotics 1.5を指揮した場合、長時間タスクのサブタスク失敗率は合計22%で、汎用モデルGemini 2.5 Flashが指揮した場合の44.5%から半減した。計画の失敗は25.5%から9%、動作の失敗は13%から9%、成否判定の失敗は6%から4%に下がった。

報告書によると、「考えるVLA」単体では最も難しい多段階評価で進捗スコアが最大44%にとどまった一方、エージェント全体では80%近いスコアをしばしば記録した。DeepMindはER 1.5をERQA、Point-Bench、BLINK、CV-Bench、RoboSpatial、Where2Placeなど15の学術的な身体性推論ベンチマークで評価し、総合で最高水準だったと主張する。比較対象はGPT-5、GPT-5 mini、Gemini 2.5 ProとFlashだが、個別スコアの多くは本文ではなくグラフでのみ示されており、本稿では引用しない。

もう一つの柱が「モーショントランスファー」だ。DeepMindは双腕の研究用プラットフォームALOHA 2、双腕のFranka、米アプトロニクの人型ロボット「Apollo」という構造の大きく異なる3機種のデータでGemini Robotics 1.5を学習させた。ある機体で覚えた作業が、機体ごとの特化なしにほかの機体でもそのまま動くという。報告書は、機体ごとに別のチェックポイントが必要な自社のOn-Deviceモデルと対比している。

1.5世代はDeepMindが2025年に出した3本目のロボットモデルとなる。3月12日にGemini 2.0を基盤とする初代Gemini RoboticsとERを発表し、ハードウエアの提携先にアプトロニク、試験利用先にAgile Robots、Agility Robotics、Boston Dynamics、Enchanted Toolsを挙げた。6月24日には、50〜100回の実演で新しい作業に適応できるとするOn-Deviceモデルを試験利用者向けにSDKで提供した。アプトロニクは2025年2月の3億5000万ドルのシリーズAにグーグルが参加したと公表している。

競争は激しい。米フィギュアAIは2025年2月20日、7〜9ヘルツで動く70億パラメーターの視覚言語モデルと、200ヘルツで動く8000万パラメーターの制御方策を組み合わせた「Helix」を発表し、ロボット内蔵のGPUで動かす。米エヌビディアは3月18日、20億パラメーターの「Isaac GR00T N1」を商用利用に制限のある同社ライセンスで公開した。米Physical Intelligenceは4月22日に「pi0.5」を発表し、9月にopenpiリポジトリで基盤モデルの重みを公開した。フィギュアはDeepMindの発表の9日前の9月16日、評価額390億ドル（調達後）で10億ドルのシリーズCを完了している。

日本の製造業にとっての意味は小さくない。ファナック、安川電機、川崎重工業といった産業用ロボット大手は高精度の機体と制御技術で世界的な地位を持つが、汎用の大規模基盤モデルを自前で学習させる体制は米国の巨大テック企業に及ばない。ER 1.5のようにAPIで呼べる計画モデルは、既存の制御装置の上に画像理解と作業計画を載せる道を開く。人手不足が深刻な物流や組み立ての現場で、ティーチング工数を減らす手段になり得る。

一方で、工場の映像を社外のクラウドに送ることへの抵抗感、通信遅延がタクトタイムに与える影響、大量利用時の料金といった論点について、DeepMindは公開データを示していない。動作そのものを担うGemini Robotics 1.5がパートナー限定である以上、中核の制御を外部に委ねるかどうかは各社の経営判断となる。

DeepMindは意味的な安全性を測るASIMOVベンチマークの改訂版も公開し、ER 1.5は前世代より改善したとするが、結果はグラフのみで、試験も自社基準だ。今後の焦点は、Gemini Robotics 1.5の提供先拡大、ERモデルのプレビュー終了と料金の公表、そして外部による再現結果となる。