何が起きたのか

Google DeepMindが2026年7月30日、ロボット制御モデル群「Gemini Robotics 2」を公開しました(Google DeepMind 2026-07-30)。公式ブログの見出しは「whole body intelligence」で、従来のように上半身の腕とハンドだけを動かすのではなく、足先から指先まで含めた全身を一つのモデルで制御する、という位置づけです。

注目すべきは、公式ブログが成功率の数字を素直に並べている点です。ヒューマノイドのApptronik Apollo(Inspire製ハンド搭載)での全身操作タスクは、棚から取る76.3%、机から取る68.4%、床から取る45.7%。一方、平行グリッパーを備えたFranka Duoでは、精密挿入89.6%、多様な工具のキッティング78.9%、一般的なピック・アンド・プレース74.2%(Google DeepMind 2026-07-30)。

そして多指ハンド(SharpaWave hand)の巧緻性タスクは、電球を「緩める」が92%であるのに対し、電球を「締める」は36%、ゴミ袋を縛るが44%、ジップロックの封が40%、ちりとりの扱いが32%と、多指ハンドの5タスクでは最低32%から最高92%まで約2.9倍の幅があります(Google DeepMind 2026-07-30)。デモ映像だけを見ると「電球を交換できるロボット」に見えますが、少なくとも今回の電球タスクでは、「緩める」92%に対して「締める」36%という大きな非対称が出ています。


3モデル構成——VLA・ER 2・On-Device 2の役割分担

今回のリリースは単一モデルではなく、役割の異なる3つのモデルで構成されています。ただし提供状況は揃っておらず、一般の開発者がAPIで利用できるのはER 2だけで、VLAとOn-Device 2はアーリーアクセスに限られます。

Gemini Robotics 2(VLA)は、視覚と言語の入力をモーター制御に変換する層です。公式のモデルページでは「テーブルトップロボットからフルヒューマノイドまで、あらゆる種類のロボットを知的に制御できる」と説明され、22自由度のハンドやグリッパーの扱いに言及しています(Google DeepMind モデルページ)。全身知能の中身は重心の動的管理で、静止姿勢から腕を伸ばすのではなく、「安全に踏み出し、しゃがみ、かがんで、散らかった現実空間を移動する」と記載されています。

Gemini Robotics ER 2 は高レベルの推論層です。公式ブログの表現では「ロボットの高レベルな脳」であり、「部屋を観察し、タスク完了に必要なステップを推論し、行動を実行するためにVLAと連携し、完了まで進捗を追跡する」役割を担います(Google DeepMind 2026-07-30)。Google公式のAPIドキュメントによれば、ER 2はGemini 3.5 Flashをベースとし、入力131,072トークン・出力65,536トークン、モデルIDは gemini-robotics-er-2-preview と、リアルタイム双方向ストリーミング用の gemini-robotics-er-2-streaming-preview の2種類です(Gemini API ドキュメント)。同ドキュメントは旧版のGemini Robotics ER 1.6が2026年8月末で停止することも明記しています。

Gemini Robotics On-Device 2 はロボット本体上でのローカル実行に最適化された軽量VLAです。ここが今回の実務的な目玉で、「数時間分のデータ、典型的には200例未満」で、まったく新しいロボットの身体構成へ適応できるとされています(Google DeepMind 2026-07-30)。

提供形態は3層に分かれます。ER 2はGoogle AI Studioで利用可能かつGemini Enterprise Agent Platformでプライベートプレビュー、VLAとOn-Device 2はアーリーアクセスパートナー向けに限定されています(Google DeepMind 2026-07-30)。つまり「計画する脳」にあたるER 2は公開プレビューとして一般の開発者が試せる一方、「体を動かす脊髄」にあたるVLA群は限定提供にとどまる構造です。


LLMエージェントとの相似——プランナーと実行器の分離

この3層構成は、この1年でLLMエージェント設計が収束してきた形とほぼ同型です。長い推論と計画を担う大きなモデルが、短いレイテンシで大量に呼ばれる小さな実行モデルを指揮する。ER 2がツール呼び出し(function calling)に対応し、ロボット固有のAPIと組み合わせてマルチステップのタスクを組み立てられる、とドキュメントに記載されているのは、まさにそのオーケストレーターの役割です(Gemini API ドキュメント)。

違うのは失敗のコストです。テキストエージェントが誤ったツールを呼んでも、多くの場合はリトライで済みます。人間大の質量を持つ機体では、一度の誤動作が人や設備への損害につながり得るため、テキストエージェントのように低コストで何度でもリトライできるとは限りません。DeepMindが今回、ASIMOV-Agenticという新しいベンチマークを導入し、「VLAからの安全でないツール呼び出しを、身体化推論エージェントが拒否できるかを測る」と説明しているのは、この非対称性への対応と読めます(Google DeepMind 2026-07-30)。同ブログはあわせて、ER 2が人間の接近をより良く検知し、安全用のツール呼び出しを発火させて機体を安全停止させられる、としています。


数分・数百決定という主張と、掛け算の壁

公式ブログは今回の更新について「数分にわたり、数百の決定を含む、より長いタスク系列をより確実に実行できるようにする」と述べています(Google DeepMind 2026-07-30)。この主張の重さは、単発成功率を掛け合わせてみると分かります。

$n$ ステップからなるタスクで、各ステップの成功確率を $p_i$、失敗が独立に起きると仮定すると、通しの成功確率は

$$P_{\text{success}} = \prod_{i=1}^{n} p_i \approx p^{n}$$

となります。感覚をつかむための概念例として、仮に各工程の成功確率が一律90%で、失敗が独立に起きてリトライもできないとすると、10工程を一度で完了する確率は

$$0.9^{10} \approx 0.349$$

で約35%まで落ちます。ここで断っておくと、今回公開された76.3%などの値は同一スキルカテゴリー内の複数タスクの平均成功率であり、1ステップあたりの成功確率としてこの式に直接代入できる数値ではありません。それでも、失敗が独立で自己修正が効かないという仮定のもとで数百の決定を素朴に掛け算すれば、通し成功率は事実上ゼロに漸近します。

だからこそ、公式ブログが並記している「ステップが失敗したら自己修正する」という記述が、単発成功率の数字より重要になります。自己修正が入るとこの独立仮定は崩れ、掛け算のモデルは成立しません。逆に言えば、公開されているのはタスク単位の成功率で、「数分・数百決定」の長いタスクを何%完走できたのかを示す数値は、少なくとも公開されたブログ本文と図表からは確認できませんでした(Google DeepMind 2026-07-30)。ER 2のモデルカードも評価手順について「リリース記事の図1〜4を参照」と述べるにとどまり、評価の全体像が網羅的に開示されているわけではありません(Gemini Robotics ER 2 モデルカード)。

なお、ER 2の進捗把握能力について、公式ブログは「タスクがいつ始まりいつ終わるかを理解し、重要なイベントが起きた瞬間を特定できる」と記述しています(Google DeepMind 2026-07-30)。これに対応する数値は、Google公式のER 2開発者向け発表に明記されています。進捗の分類が57.4%、重要なモーメントの特定が91.3%で、特定されたモーメントとイベント時点との平均絶対距離は0.96秒です(Google 2026-07-30)。ただし、評価データの構成や比較対象ごとの詳細までは公開記事から読み取れません。そしてこれらはあくまで進捗推定とイベント検出の精度であり、数分規模のタスクを何%完走できたかを示す値ではありません。


200例・数時間という適応コストの意味

多指ハンドの数字が伸び悩んでいることより、実務にとって効くのはOn-Device 2の適応コストのほうかもしれません。「数時間分のデータ、典型的には200例未満」で新しい身体に適応する、という記述は、ロボット導入の見積もりの分母を変えます。

公式ブログ自身が「学習したスキルを別のロボットの身体へ移すことは依然として極めて難しい」と述べる通り、従来はロボットの機種が変わればデータ収集からやり直しでした(Google DeepMind 2026-07-30)。同ブログは、ほとんどのロボットが狭く反復的なタスク系列のために事前プログラムされるかテレオペレーションされている、とも整理しています。この工程が200例・数時間で済むなら、データ収集の負担は軽くなり、その手前の「どのタスクを、どの機体で、どの成功率まで許容するか」という設計判断の相対的な重みが増す可能性があります。ただし安全認証やハードウェア統合、システムインテグレーションもそれぞれ大きなコストであり得るため、コストの主役がデータ収集から設計判断へ移る、とまで公開情報から言うことはできません。

ただし公式ブログとメディア報道の双方が、On-Device 2の制約にも触れています。MarkTechPostは、On-Device 2が分布外タスクへの汎化と高自由度ロボットの制御において制限がある、と整理しています(MarkTechPost 2026-07-30)。軽量モデルを機体に載せて素早く適応させる路線と、フルサイズVLAで難しい操作を通す路線は、まだ同じ場所には来ていません。


多ロボット協調と、Engadgetが指摘した前提

今回の目玉の一つが、ER 2による異種ロボット間の協調です。公式ブログは「異なる種類のロボットが通信し、単体では解けない複雑なワークフローを協力して解く」と説明しています(Google DeepMind 2026-07-30)。MarkTechPostは具体例として、Apptronik Apollo 2とFranka F3 Duoのペアが共有された意味理解を介してサブタスクを受け渡す構成を挙げています(MarkTechPost 2026-07-30)。

一方でEngadgetは、これらのロボットが汎用機ではないこと、各タスクが「人間のテレオペレーション、動画事例、シミュレーションの混合」で個別に学習されていることを指摘し、人間大の機体をAIが制御することの安全上の不確かさに触れています(Engadget 2026-07-30)。同記事は、消費者向けロボットが近く登場するわけではない、というGoogleの説明も併記しています。

DeepMind自身も、ロボットの動きは「より速く、より確実になる必要がある」と課題を認めています(The AI Insider 2026-07-30)。派手な映像と32%という数字が同じ発表に同居していることが、今回のリリースの実像です。


残された不確実性

通しの完走率が公開情報から確認できない:公開されているのはタスク単位の成功率で、「数分・数百決定」のタスクを何%で完走したかは、少なくともブログ本文と図表からは確認できませんでした。モデルカードも評価手順をリリース記事の図に委ねており、自己修正がどの程度効いているのかを外部から検証する手段は現時点でありません。

試行回数と評価条件が不明:45.7%や89.6%という数値の母数、物体の多様性、初期条件のランダム化の程度は公開情報からは判断できません。ロボティクスの成功率は評価設定の設計で大きく動くため、他社モデルとの直接比較には慎重さが必要です。

多指ハンドの内訳:緩める92%と締める36%の差が、モデルの計画能力に起因するのか、ハンドのハードウェア(触覚・力制御)に起因するのかは切り分けられていません。SharpaWave系ハンドとInspire系ハンドで評価タスクが分かれていることも、比較を難しくしています。

適応の質:200例未満での新身体適応が、どのレベルの成功率まで届くのかは明示されていません。「動くようになる」と「実用成功率に達する」の距離は、この記述からは読み取れません。

アクセス制限:VLAとOn-Device 2はアーリーアクセスパートナー限定のため、第三者による独立再現は当面できません。触れるのはER 2の推論層だけです。


まとめ

Gemini Robotics 2の公開情報を数字で読むと、伸びた領域と伸びていない領域がはっきり分かれます。平行グリッパーの精密挿入89.6%は今回公開された操作系評価の中で最も高い一方、試行回数や部品公差、サイクルタイムが開示されていないため産業用途に十分かは判断できません。他方で多指ハンドの締める・縛る・すくうといった動作は32〜44%に留まっています。床からのピック45.7%は棚からのピック76.3%より30.6ポイント低く、低い位置での知覚・把持・姿勢制御を含む条件がより難しかったことを示唆します。ただし公開情報だけでは差の原因を分離できません。

構造面での変化は、ER 2をプランナーとして分離し、AI Studioで一般に開放したことです。実行層(VLA)を握ったまま推論層だけを配ることで、ロボット側の実装者はまず「計画と進捗把握」の部分から統合を始められます。LLMエージェントで起きたプランナーと実行器の分離が、身体を持つ側でも同じ形で進んでいる、という読み方ができます。

そしてOn-Device 2の200例未満・数時間という適応コストは、公称どおりに幅広い機体で再現できるなら、新しいロボット身体へ移植するための追加データ収集コストを大きく下げる可能性があります。これはあくまで新しい身体への適応の話で、あらゆる新規タスクが200例未満で実用化できるという意味ではありません。加えて、それが「どの成功率まで届く適応か」も書かれていません。今回の発表で確認できたのは、能力の到達点ではなく、能力の分布です。


主要出典


関連する過去記事