Google DeepMind、「Gemini Robotics」を発表　Gemini 2.0をロボット制御に転用、人型はApptronikと提携

Google DeepMindは2025年3月12日、自社のGemini 2.0系列を基盤とするロボット向けモデル2種を発表した。最先端のAI研究機関が汎用マルチモーダルモデルをそのまま実機の制御装置に転用する試みとしては、これまでで最も踏み込んだ事例となる。「Gemini Robotics」は物理的な動作を新たな出力として加えた視覚言語行動(VLA)モデルで、カメラ映像と音声指示を読み取る同じニューラルネットワークがロボットアームを直接動かす。「Gemini Robotics-ER」のERは身体性推論(Embodied Reasoning)を指し、空間理解に特化した視覚言語モデルとしてロボットメーカーが自社の制御系に接続して使う。

同社が示した主要な数値は2つある。Carolina Parada氏名義の発表文でGoogle DeepMindは、包括的な汎化ベンチマークにおいてGemini Roboticsが他の最先端VLAモデルの2倍超の性能を示したと説明した。Gemini Robotics-ERを認識から計画、ロボット用コード生成まで一貫して使った場合、成功率はGemini 2.0の2〜3倍に達するとしている。同時に公開された技術報告によると、行動システムの実効制御周期は50Hzで、クラウド上の基幹モデルは160ミリ秒未満で応答し、生の観測から低レベル動作の一群を出力するまでの全体遅延は約250ミリ秒だった。

学習に使ったロボットデータの大半は、Google DeepMindが自ら運用する双腕ロボット「ALOHA 2」群から集めた。報告書によると、遠隔操作の担当者が12カ月かけて数千種類の作業で数千時間分の熟練者デモを収集し、これにウェブ文書やコード、画像、音声、動画のデータを組み合わせた。実演では折り紙のキツネを折り、菓子をジッパー付き袋に詰めた。新しい短時間作業はわずか100回のデモで習得でき、作業ごとに2000〜5000件のデモで特化学習した後は弁当箱詰めを20回中20回成功させたという。双腕のFranka製プラットフォームとApptronikの人型ロボット「Apollo」にも移植した。

推論モデルの評価のため、DeepMindは物理世界に関する400問の多肢選択式視覚問題からなる公開ベンチマーク「ERQA」を新設し、CC BY 4.0ライセンスでGitHubに公開した。報告書の基準値はGemini 2.0 Flashが46.3%、Gemini 2.0 Pro Experimentalが48.3%、OpenAIのGPT-4oが47.0%、AnthropicのClaude 3.5 Sonnetが35.5%で、思考の連鎖(CoT)を用いるとGemini 2.0 Pro Experimentalは54.8%に上がった。ロボットがどこをつかむべきかを示す指示点の能力では、Gemini Robotics-ERがPaco-LVISで71.3を記録し、Gemini 2.0 Flashの46.1、GPT-4oの16.2を上回った。SUN-RGBDの3D検出では48.3 AP@15だった。

事業化は製品販売ではなく、パートナー制度の形をとる。Google DeepMindは米人型ロボットメーカーのApptronikと組み、Gemini 2.0を搭載した次世代の人型ロボットを開発すると表明した。Apptronikは2025年2月13日、B CapitalとCapital Factoryが主導し、Googleも参加したシリーズAで3億5000万ドルを調達し、Google DeepMindのロボティクスチームとの戦略的協業を発表している。Gemini Robotics-ERは独Agile Robots、Agility Robotics、Boston Dynamics、仏Enchanted Toolsの限定テスターに先行提供された。VLAモデル本体は一般公開されておらず、価格も示されていない。

Google DeepMindはAlphabet傘下でロンドンに本拠を置くAI研究機関で、今回のデータは自社のALOHA 2双腕ロボットから得た。2025年3月の変化は出発点にある。ロボットの方策を先に学習させて後から言語を付け足す従来の手法ではなく、ジッパー付き袋が何か、弁当箱がどう閉じるかを既に知っているGemini 2.0を起点に、動作を教え込んだ。

競争は既に激しい。Figure AIは2025年2月20日に「Helix」を公開した。70億パラメータの視覚言語モデルが7〜9Hzで状況を判断し、8000万パラメータの方策が上半身35自由度を200Hzで制御する二層構造で、約500時間の遠隔操作データで学習し、ロボット内蔵の組み込みGPUだけで動く。Physical Intelligenceはオープンソースのリポジトリopenpiでπ0モデルを配布しており、基本チェックポイントは1万時間超のロボットデータで事前学習したとしている。Gemini Roboticsの技術報告はπ0の再実装版を比較対象の一つに使った。Googleの発表から6日後の3月18日、NVIDIAはGTCで公開型でカスタマイズ可能な人型ロボット用モデル「Isaac GR00T N1」を発表し、11時間で78万本の合成軌道を生成し、実データと組み合わせることで性能が40%向上したと説明した。

平たく言えば使い方は2通りある。映像と言葉を入れれば関節指令が出てくるGemini Roboticsにすべてを任せる方法と、自社の運動制御は残したまま、マグカップのどこをつかむか、引き出しがどちらに開くかといった従来のソフトが苦手な問いだけをGemini Robotics-ERに投げ、座標や枠、軌道を受け取る方法だ。Googleが外部企業に先に開放したのは後者で、モーターの直接制御を委ねることにDeepMindが慎重であることを示している。

日本の産業にとっての意味は小さくない。FANUC、安川電機、川崎重工業など日本の産業用ロボット大手は、高精度な制御装置と安全技術で世界市場を支えてきた。ERモデルのように把持点や軌道だけを返す「頭脳」は、こうした既存の制御装置と組み合わせやすく、人手不足に悩む中小製造業の多品種少量生産で段取り替えの手間を減らす可能性がある。一方で、ロボットの知能が米国のクラウド事業者に集まれば、付加価値の重心がハードウエアから基盤モデルへ移り、精密減速機を手掛けるハーモニック ドライブ システムズやナブテスコなど部品メーカーを含む日本勢の交渉力に影響しかねない。

リスクも明確だ。汎化性能の数値は相対値で、Googleが設計したベンチマーク上で、著者が選んだ比較対象、しかも競合モデルを自ら再実装した版と比べたものだ。分割型の構成はクラウドの基幹モデルとネットワーク接続に依存しており、工場や家庭で常に安定した低遅延回線が確保できるとは限らない。すべてのベンチマークで勝ったわけでもない。Where2Placeの指示点評価では、公開モデルのMolmo 72Bが63.8で、Gemini Robotics-ERの45.0を上回った。DeepMindは意味的な安全性を評価するデータセット「ASIMOV」と、データ駆動の「憲法」と呼ぶ枠組みを併せて示したが、実機に必要な認証済みの低レベル安全制御を代替するものではない。