Gemini Robotics 2 — 「全身」制御と、APIと研究室のあいだにある数字の現実

2026年7月30日、Google DeepMindはGemini Robotics 2を公開した。vision-language-actionモデル、身体化された推論のための派生モデル（ER 2）、そしてオンデバイス版からなる階層的なファミリーである。2025年からの技術的な飛躍として掲げられているのは、制御領域の拡張だ。もはや上半身だけではなく、「足先から指先まで」だという。理屈のうえでは、これによって動作中の重心を最適化し、物体の操作と姿勢の安定を一体として扱える。参加パートナーには、Apollo 2を擁するApptronik、音声コマンドによる物体回収でSpotを用いるBoston Dynamics、Agile Robots、Frankaが名を連ねる。

ただし、示された結果は細かく読む必要がある。データではFranka Duoでの精密な挿入作業が89.6%、SharpaWaveハンドを装着したApolloによる電球の取り外しが92%とされている。一方、Apolloに Inspireハンドを組み合わせて床から物を拾う作業では、成功率は45.7%まで落ち込む。この落差は、全身を協調させる制御がいまだ未解決の課題であることを示している。DeepMindは安全性の評価としてASIMOV-Agenticベンチマークを導入したが、外部からの検証は部分的にとどまる。Googleは課題ごとの試行回数もテストの環境条件も公表しておらず、引用されたベンチマークの一部——たとえば「diverse tool kitting」——には標準化された公開定義が存在しない。

提供方針では、はっきりした線引きが保たれている。多段階の計画、映像ストリームからの自己修正、外部ツールの統括を担う頭脳であるGemini Robotics ER 2は、Gemini APIとGoogle AI Studioを通じて開発者が利用でき、加えてプライベートプレビューのGemini Enterprise Agent Platformでも使える。同社が示した数値では、実行速度は4倍、進捗の分類能力は57.4%とされる。これに対し、直接の動作を担うVLAモデルと、通信なしで数時間のうちに新しい身体へ適応するというOn-Device 2は、選ばれたパートナー向けの先行アクセスにとどまっている。

デモ的な作業での92%と、床から物を拾うという何でもない動作での45.7%。その差こそが、ヒューマノイドが研究室の外で信頼できるようになるまでの距離を語っている。そして動作モデルがパートナーの手元にあるかぎり、その距離を外から測れる者はいない。