フィジカルAI 2026年8月6日

Google DeepMindのGemini Robotics 2が示すもの：「上半身だけ」のロボットAIが終わりに近づいている

Google DeepMindが先週発表したGemini Robotics 2は、ロボットAIの開発において一つの区切りになる発表だ。ひとことで言えば、「テーブルの上でものを動かす」ロボットから、「部屋の中を歩き回り、全身を使ってタスクを完了する」ロボットへの移行を、主要プレイヤーが本格的に宣言したということになる。

大げさに聞こえるかもしれないが、これは技術的な進歩の話であると同時に、ロボットAIの設計思想が変わってきたことを示す話でもある。

「上半身制御」から「全身制御」へのシフト

DeepMindが今回明示したのは、前世代モデルとの違いだ。Gemini Robotics（初代）はヒューマノイドの上半身を制御し、テーブル上の作業を中心に扱っていた。今回のGemini Robotics 2は、それを「全身」に拡張した。

歩く、かがむ、体を伸ばす、ものを拾う——これらの動作を組み合わせて部屋の片付けをするといった例が示されている。単純に聞こえるが、全身の関節を整合的に制御しながら、言語指示からタスクを実行するのは、技術的に次元が違う問題だ。

デモとして示されたのはApptronikのApollo 2ヒューマノイドロボット。「じょうろを下の棚の緑のビンに入れて」という指示に対して、Apollo 2はテーブルまで歩き、じょうろを拾い、棚まで移動し、指定の場所に置く——という一連の動作を実行した。

DeepMind自身が「動作速度にはまだ改善の余地がある」と認めている点は後で触れる。

なぜ今これが重要か：ロボットAI開発の構造的転換

ここで少し引いて構造的に話をする。

現在のロボットAI開発における主流のアーキテクチャは、「VLA（Vision-Language-Action model）」と呼ばれるモデルが中心だ。カメラ映像と言語指示を入力として、ロボットの具体的な動作を出力する。これがいわば「手足の制御系」にあたる。

しかしVLAだけでは、数分にわたる複数ステップのタスクを管理するのが難しい。「次に何をすべきか」の判断、「前のステップが失敗したときの対処」、「人間とのコミュニケーション」は、別の推論レイヤーが必要になる。

Gemini Robotics 2の発表で注目すべきは、このアーキテクチャの分離が明示的になった点だ。

Gemini Robotics 2（VLA）：全身の動作生成、巧緻性の制御
Gemini Robotics ER 2（Embodied Reasoning）：タスク計画、進行管理、人間との対話、失敗時の自己修正
Gemini Robotics On-Device 2：ネットワーク不要のローカル動作、新形態への高速適応

「考える頭脳」と「動く手足」を分けて設計し、それを統合するという構造は、生成AIがReasoning・ツール利用・エージェントへと進化した流れと重なる。ロボットAIも同じ道をたどり始めている。

事実の整理：何が発表されたのか

具体的な数字と機能を整理しておく。

Gemini Robotics 2（VLA）
Apollo 2の五指型ハンド「SharpaWave」を制御できる。このハンドは22自由度を持ち、結び目を作る、ジッパー付き袋を閉じるといった繊細な動作に対応する。また、Franka Duoプラットフォームの2本指パラレルグリッパーを使ったタイトパッキングといった複雑な作業も実行できる。

複数ロボットの協調もサポートされており、異なるタイプのロボットが通信しながら、1台では対応できないワークフローを分担して処理できる。

Gemini Robotics ER 2
高レベルの推論モデルで、タスクの開始・終了の認識、重要なイベントが起きた瞬間の特定ができる。Google AI Studioで現在利用可能。Gemini Enterprise Agent Platformではプライベートプレビュー中。

Gemini Robotics On-Device 2
ネットワーク遅延やインターネット接続なしで動作するよう設計されたVLA。DeepMindが「モーション転送」と呼ぶ技術を継承しており、新しい双腕ロボットへの適応が数時間、典型的には200例未満のデータで可能だという。形状・センサー・自由度が大きく異なる形態にも対応できるとされている。

ASIMOV-Agentic
安全性に関する新しいベンチマーク。エージェントが安全でないツール呼び出しを拒否できるか、タスクの実行可能性を予測できるか、不確実な状況で人間への介入要請を出せるかを測定する。Gemini Robotics ER 2は安全制約の遵守と人間近接ベンチマークにおいて、これまでで最も安全なモデルとされている。

AIおじさんとしての見方：期待値を調整する

発表を読んで素直に面白いと思う一方で、いくつか留保が必要な点がある。

「全身制御」の現在地について

DeepMind自身が「動作速度にはまだ改善の余地がある」と述べている。これは正直な開示だが、言い換えれば「まだ実用速度には届いていない」ということだ。工場や倉庫の現場で人間と並んで働けるスピード感になるまで、もうひとステップある。

デモで示されたじょうろを棚に運ぶタスクは、映像として見れば確かに印象的だ。ただし実環境では、床が平坦でない・物の配置が変わっている・他の人間が動いているといった条件が重なる。そこでも同じ動作ができるかどうかは、別の問いになる。

「数時間・200例以下で新形態に適応」の意味

これは文字通り受け取ると驚くべき数字だが、「どんなロボットでも何でもできる」という話ではない。「新しい双腕ロボットへの適応」という限定された文脈での話であり、どの程度の複雑さのタスクが対象かは明示されていない。とはいえ、従来のロボット学習が数千・数万のデモを必要としていたことと比べると、方向性として重要な変化であることは間違いない。

ASIMOV-Agenticが示す安全への向き合い方

安全に関して、DeepMindが独自のベンチマーク「ASIMOV-Agentic」を導入したことは注目していい。ロボットが人間の近くで作業する場面が増えるにつれ、「どういう状況で止まるべきか」「人間に判断を委ねるべきタイミングはいつか」という問いが、技術的な問いとして立てられるようになってきた。

ベンチマークを自社で作ることには自作自演のリスクもある。ただ、こうした問いを数値で測ろうとすること自体は、業界として必要なプロセスだ。今後このベンチマークが外部からどう評価されるかが一つの観点になる。

実務的な示唆と今後の論点

ロボットメーカー・システムインテグレーター・スタートアップが今回の発表を見るとき、どこに注目すべきか。

「高レベル推論＋低レベル実行」の分離アーキテクチャを押さえる

Gemini Robotics ER 2とGemini Robotics 2の関係は、LLMベースのエージェントにおける「Plannerモデル」と「実行ツール」の関係に近い。この構造がGoogleだけの話ではなく、業界のパターンとして定着しつつある。

Physical IntelligenceのπシリーズでもReasoning層の強化が進んでいるし、他の主要プレイヤーでも似た方向性が見え始めている。自社のロボットシステムを設計する際、この「推論と実行の分離」をアーキテクチャの前提として置くかどうかは、今後数年の技術選定に直結する。

VLAをどこで動かすか、という問い

On-Device版の投入は、ロボットの展開環境の話でもある。工場・倉庫・医療施設など、ネットワーク遅延が許容できない、あるいは接続自体が制限される環境では、クラウド依存モデルは使えない。On-Deviceで動作しながら数時間で新形態に適応できるという特性は、展開可能な現場の幅を広げる。ただし、実際の展開でどこまでのタスクに対応できるかの検証は、早期アクセスパートナー以外にはまだオープンになっていない。

次に問われる論点：コスト・運用・責任

技術的なマイルストーンとしては今回の発表は一歩前進だ。しかし、実用化のボトルネックは技術だけではない。