要点（30秒で）: Google DeepMindが人型ロボットを「足から指先まで」一つのAIで動かすGemini Robotics 2を公開した。歩く・しゃがむ・つまむを同時にこなす全身制御が初めて実現した一方、指先の細かい作業は成功率4割台とまだ荒い。まずは公開されたER 2をGemini API/AI Studioで触り、どこまで「考えて動く」のかを自分の目で確かめておきたい。

この記事の内容（約8分で読めます）

1. 何が新しいのか
2. 三つのモデルで役割を分ける
3. 指先はどこまで動くのか
4. 考える脳は「進捗」を測れるか
5. ロボット同士が連携する
6. 少ない実例で新しい体に適応する
7. 安全を「拒否できるか」で測る
8. 過度な期待は禁物
9. 日本・個人開発の視点
10. 要点まとめ
11. 出典・リンク

7月30日、Google DeepMindが「Gemini Robotics 2」を発表した。ひとことで言えば、人型ロボットの全身を一つのAIで動かす試みだ。

これまでのロボットAIは、机の上で腕を動かす——いわば上半身の器用さが主戦場だった。今回のバージョンは、そこに脚と胴体が加わる。歩いて、しゃがんで、モノをつまむ。その一連を分けずに、ひとつの頭脳でつなげてきた。

何が新しいのか

象徴的なデモがある。Apptronik社の人型ロボット「Apollo 2」に、こう指示する。「じょうろを、下の棚の緑の箱に入れて」。

するとApolloはテーブルまで歩き、じょうろを持ち上げ、数歩移動して棚に置く。文字にすると当たり前だが、これを一つの学習済みポリシーで通しでやり切ったのが新しい。前バージョンのGemini Robotics 1.5は、基本的に卓上の作業が中心だった。歩行と操作が地続きになった点が、今回の背骨だ。

DeepMindはこれを全身知能（whole body intelligence）と呼ぶ。脚・胴・腕・指を別々のプログラムで縫い合わせるのではなく、視覚と言葉を受け取って全身のモーターへ一気に落とし込む発想である。

一つの頭脳を三つのモデルで分担——ER 2が段取りし、VLAが実行、On-Device 2が機体上で動く三層構成

三つのモデルで役割を分ける

中身は単体ではなく、三つのモデルの組み合わせだ。ここを押さえると全体像が掴める。

一つ目が「Gemini Robotics 2」本体、いわゆるVLA（視覚・言語・行動）モデル。カメラ映像と指示を、モーターの動きへ変換する実行役だ。人型だけでなく双腕ロボットや多指ハンド、平行グリッパーまで動かす。

二つ目が「Gemini Robotics ER 2」。こちらは考える側の脳で、Gemini 3.5 Flashをベースに最大128kトークンの文脈を持つ。数分がかりの多段タスクを段取りし、人と対話し、複数のロボットの連携まで指揮する。

三つ目が「Gemini Robotics On-Device 2」。ネット接続なしで機体の上だけで動く軽量版で、Gemini Robotics 1.5の技術とGemmaモデルを土台にしている。この「重みを機体側へ寄せて動かす」流れは、$8のマイコンでLLMが動いた——重みをフラッシュへ逃がすGemmaの技で見たエッジ志向とも地続きだ。

成功率を盛らず並べる——掴む・置くは7〜9割で実用へ、指先の繊細な作業は4割台とまだ荒い

指先はどこまで動くのか

見せ場は手だ。Apollo 2に載る「SharpaWave」ハンドは、五本指で22自由度を持つ。DeepMindはこれで電球をねじ込み、ゴミ袋の口を結び、ジップロックを閉じてみせた。

ただし、ここは正直な数字を見ておきたい。電球のねじ込みは成功率92%と高い。一方でゴミ袋を結ぶタスクは44%、ジップロックの密封は40%。多指の細かい作業は32〜92%と幅が大きく、DeepMind自身が「弱い軸」と認めている。

腕まわりの作業はもう少し安定していて、Franka Duoでの精密な差し込みは89.6%、多様な工具の仕分けは78.9%。棚から取る動作が76.3%、テーブルから取る動作が68.4%。総じて、掴む・置くは実用に近づき、指先の繊細さはまだ研究段階、という温度感だ。

異なる体を一つの脳が束ねる——ER 2が指揮し、人型Apolloと据え置き双腕Frankaが役割分担で協働

考える脳は「進捗」を測れるか

ER 2側の数字も面白い。作業がどこまで進んだかを判定する「進捗分類」は57.4%の精度にとどまる。一方、動画の中から「その瞬間」を見つけ出す moment-finding は91.3%で、平均誤差0.96秒と鋭い。

つまり、今どこを見るべきかは掴めても、タスク全体が何割終わったかの見立てはまだ甘い。人間なら無意識にやっている「あと少し」の感覚が、ロボットには一番難しい——その難所がそのまま数字に出ている。

ロボット同士が連携する

もう一つの目玉が、機種をまたいだ協働だ。人型のApollo 2と、据え置き型の双腕Franka F3 Duoが、役割を分けて一つの作業を進める。ER 2が全体を指揮し、それぞれのVLAが手を動かす構図である。

異なる体を持つロボットが会話しながら一つのワークフローを解く。工場や倉庫のように、固定アームと移動型が混在する現場を思い浮かべると、この設計思想の狙いが見えてくる。鍵を介さず車を預かるガトウィック空港の駐車ロボットのような専用機とは違い、汎用の頭脳で複数機を束ねる点が対照的だ。

少ない実例で新しい体に適応する

現場導入で効くのがOn-Device 2の適応力だ。新しい双腕ロボットへは、数時間・200例未満の学習で馴染むという。

数字も伸びている。SO101という機体では、旧On-Device 1が0%→6.7%だったところ、On-Device 2は6.7%→53.3%まで改善。Dexmateでは24.4%→75.6%に達した。まだ完成度は高くないが、「新しい体に短時間で慣れる」方向へ確実に舵を切っている。

安全を「拒否できるか」で測る

見逃せないのが安全評価だ。DeepMindは新ベンチマーク「ASIMOV-Agentic」をHugging Faceで公開した（CC-BY-4.0）。

測るのは、危険な指示を断れるか、自分が不確かだと気づけるか、人に助けを求められるか。加えて人が近づいたのを検知する機能も強化した。能力の自慢だけでなく、「やらない」判断を数値で問う姿勢は、実機が人と同じ空間に入る前提を強く意識している。

過度な期待は禁物

冷静に見るべき点もある。デモの各タスクは、人による遠隔操作・動画・シミュレーションを混ぜて個別に訓練されたものだ。何でも即興でこなす万能機ではない。

DeepMind自身、消費者向けロボットをすぐ出す話ではないと釘を刺している。今回はあくまで、全身をひとつの方策で動かすという土台が組めた、という段階の発表だ。

日本・個人開発の視点

日本はハードのロボットに強い土壌がある。だが今回のニュースが突きつけるのは、体そのものより、体を動かす「頭脳」の争奪戦だという現実だ。

ER 2はGemini API/AI Studioで公開プレビューとして触れる。実機がなくても、空間認識や段取りの賢さは検証できる。まずはここでDeepMindの現在地を測り、自前のハードや業務フローに何を載せられるかを考える——個人開発者にとっても、遠い話ではなくなってきた。

要点まとめ

• Gemini Robotics 2は人型の脚から指先までを一つのポリシーで動かす「全身制御」を初めて実現し、歩行と操作を地続きにした。
• 構成はVLA（実行）・ER 2（推論・指揮）・On-Device 2（機体上で動く軽量版）の三層。ER 2はGemini 3.5 Flashベースで128k文脈を持つ。
• 成功率は掴む・置くが7〜9割、指先の繊細な作業は4割台と正直に開示。進捗の見立てもまだ甘い。
• 異機種のロボット協働、200例未満での新機体適応、安全ベンチ「ASIMOV-Agentic」公開が今回の要。
• ER 2はGemini API/AI Studioで公開プレビュー、VLAとOn-Device 2は限定提供にとどまる。

出典・リンク

• 出典: Gemini Robotics 2 brings whole body intelligence to robots — Google DeepMind
• Google DeepMind Ships Three Physical AI Models… — MarkTechPost
• Google’s new Gemini Robotics 2 platform allows for ‘intelligent whole-body control’ — Engadget
• Gemini Robotics 2 Expands Google’s AI Capabilities for Humanoid Robots — Bloomberg
• Gemini Robotics 2: Safety Evaluations (PDF) — Google DeepMind
• Gemini Robotics 1.5: Pushing the Frontier of Generalist Robots (arXiv)