ロボットが床の物を拾い、棚まで歩き、別のロボットへ仕事を引き継ぐ。映像だけを見ると、ついに何でもできる機械が来たように見えます。
しかし、2026年7月31日未明に公開されたGoogle DeepMindのGemini Robotics 2で本当に重要なのは、派手なhumanoidの動きだけではありません。
Googleは、ロボットのsystemを三つへ分けました。
- 何をすべきか考えるGemini Robotics ER 2
- 実際の身体を動かすGemini Robotics 2
- networkなしで低遅延に動くGemini Robotics On-Device 2
これは巨大なmodel一つに全部やらせる設計からの転換です。高レベルの計画、低レベルの運動、実機固有の安全制御を分離し、それぞれを接続する。AI agentを現実世界へ出すなら、この分業のほうが性能値より重要かもしれません。
古い問題。賢いロボットほど、考えている間に世界が動く
従来のrobot policyは、短い指示から短い動作を出すのが得意でした。物をつかむ、箱へ入れる、ボタンを押すといったtaskです。
ところが、部屋を片づける仕事は一手では終わりません。目的を理解し、周囲を見て、歩き、物をつかみ、失敗を見つけ、次の行動を選ぶ必要があります。その間にも人が近づき、物の位置が変わり、前の動作が終わったかどうかも判断しなければなりません。
大きなmodelへ毎回「次は何をする？」と尋ねるだけでは遅い。逆に、速いVLAだけへ全計画を任せると、曖昧な指示や安全制約を扱いにくい。Gemini Robotics 2は、この二つを役割分担させました。
中心設計。ERが監督し、VLAが動く
Gemini Robotics ER 2は、Googleがhigh-level brainと呼ぶembodied reasoning modelです。text、image、video、audioを受け取り、VLAやnavigation API、Google Search、利用者が定義したfunctionをtoolとして呼びます。
たとえば「散らかった部屋を片づけて」という指示なら、ER 2は次のように働きます。
- videoから現在の状態と対象物を把握する
- taskを複数stepへ分解する
- VLAへ「缶をつかむ」「棚へ歩く」などの短い指示を出す
- videoを見続け、動作が終わったか判定する
- 失敗や人の接近を検出したら停止または再計画する
- 必要なら別のrobotへ仕事を渡す
Gemini Robotics 2 VLAは、その指示をmotor actionへ変換します。Apollo 2のようなhumanoidでは足から指先までを制御し、Franka Duoのようなbi-arm robotではgripperによる精密操作を担当します。
重要なのは、ER 2がactionの完了を待ってから考え始めるだけではないことです。bidirectional streamingのGemini Live APIを使い、動作中のvideoを受けながら次の判断を進めます。物理世界では、思考と実行を交互に止めるより、監視と計画を並行させるほうが自然です。
実験結果。全身は動いたが、指先はまだ難しい
Googleの公式performance chartでは、同じGemini Robotics 2 checkpointを複数のrobot embodimentへ使っています。
Apollo 2とInspire handsによるwhole-body manipulationの成功率は、tableから拾う68.4%、floorから拾う45.7%、shelfから拾う76.3%でした。
Franka Duoのgripper taskは高く、general pick and place 74.2%、diverse tool kitting 78.9%、precise insertion 89.6%でした。
一方、22 degree-of-freedomのmulti-finger handはかなり不安定です。Bulbを締める36%、外す92%、trash bagを結ぶ44%、dustpan操作32%、ziplockを閉じる40%。同じreleaseの中で32%から92%まで開きがあります。
Human-level dexterityという説明を、そのまま全taskへ一般化してはいけません。複雑な接触、力加減、柔らかい物体の操作は、まだ成功より失敗のほうが多い条件があります。
数分の仕事には「いつ終わったか」を理解する必要がある
長期taskでは、正しいactionを出すだけでなく、終わった瞬間を見つける能力が重要です。
ER 2はvideoの各frameを5段階へ分類するprogress classificationで57.4% accuracyを報告しました。さらに、電球を締め終わった瞬間や、cupへcoffeeを注ぎ終える瞬間を特定するmoment findingでは91.3% accuracy、mean absolute distance 0.96秒です。Googleは、より大きな比較model群へ近い精度を、4倍のexecution speedで実現したと説明しています。
ここからはAICompanyの解釈です。物理agentの評価は、最終的に物を運べたかだけでは足りません。途中のprogressを正しく推定できたか、完了を早すぎず遅すぎず検出したか、失敗後に正しいstepへ戻れたかを分けて測る必要があります。
これはcoding agentにも似ています。testが通ったかだけでなく、仕様確認、実装、検証、cleanupのどこにいるかをmodelが理解しているかを見るべきです。
On-Device 2。新しい身体へ200例未満で適応
Gemini Robotics On-Device 2は、internet接続やcloud latencyを避けたい実機向けVLAです。
Googleは、新しいbi-arm embodimentへ数時間、通常200 examples未満で適応できると説明しています。Model cardのdata scaling評価では、SO101で旧modelの6.7%に対して53.3%、Dexmateで33.3%に対して75.6%まで成功率が伸びています。
ただし、これはどんなrobotにもすぐ移植できるという意味ではありません。On-Device 2のmodel cardは、out-of-distribution taskとhigh-degree-of-freedom robotの制御に限界があると明記しています。評価の中心もstanding bi-arm manipulationで、mobile platformやwhole-body controlのriskは範囲外です。
安全性。止まらない事故と、止まりすぎる現場
今回のreleaseで最も価値が高い資料は、派手なdemoより18-pageのSafety Evaluationsかもしれません。
GoogleはASIMOV-Agenticというbenchmarkを公開し、安全制約への拒否、人が近づいたときのrobot_stop、hardware faultへの反応、VLAが不得意なtaskの事前停止、曖昧な指示への質問、読めないinstrumentでのhallucination回避を分けて測りました。
Human proximityのsingle-frame評価では、frontier modelの距離推定MAEは0.35から0.55m、1m境界のclassification accuracyはおよそ79%から93%でした。
しかしagentic evaluationでは、厳しいtradeoffが出ています。不要停止を5%未満に抑える設定では、危険を見逃すfalse negative rateが40%を超える場合があります。逆に、見逃しを10%から15%へ下げるmodelは、15%から25%の不要停止を起こしました。
つまり、止まらない事故を減らすと、今度は止まりすぎて仕事にならない。評価したmodelの中に、両方をほぼゼロにしたものはありません。
Google自身も、deterministicなlow-level guardrailと併用すべきだと結論づけています。AIが人の接近を判断する前に、距離sensor、speed limit、force limit、emergency stopが独立して働く設計が必要です。
実務へ移すなら、四層に分けて評価する
Gemini Robotics 2の考え方は、robotを持っていなくても試せます。画面操作agent、coding agent、倉庫workflowなどへ次の四層を当てはめます。
1. Planner
目的をstepへ分解し、現在のprogressと次のactionを決めます。曖昧な指示なら勝手に補完せず、質問へ戻します。
2. Executor
許可されたtoolだけを短い命令で実行します。Executor自身へ長期計画やpolicy判断を抱え込ませません。
3. Observer and verifier
action後の画面、log、test、sensorを観察し、本当に状態が変わったかを判定します。成功を自己申告させず、外部evidenceへ結びます。
4. Hard guardrail
権限、rate limit、費用上限、危険なcommand、停止条件をdeterministicに実装します。Plannerが誤っても越えられない境界にします。
小さな実験では、最終成功率に加えてpremature success、同じ失敗の反復、危険actionを止めた割合、安全なactionを不要に止めた割合、曖昧な指示で質問できた割合、failureから正しいstepへ戻れた割合を記録します。
これなら、成功率が上がったが実は運よく通っただけというagentを見抜けます。
限界。これは完成品の万能robotではない
第一に、中心結果の多くはGoogle内部benchmarkです。公開pageには成功率が載っていますが、すべてのtaskで試行回数やconfidence intervalがそろっているわけではありません。
第二に、一般の開発者がAPIで使えるのはER 2です。Gemini Robotics 2 VLAとOn-Device 2はearly-access partner向けで、同じ実機結果を第三者がすぐ再現できません。
第三に、ER 2のmodel cardはhealthcare、transportationなど、故障が人身や財産へ重大な損害を与えるsafety-critical用途へ使わないよう求めています。
第四に、VLA feasibilityの判定は、VLAのtraining distributionをどれだけ詳しくERへ説明したかに強く依存します。Safety reportでは、詳細情報なしの62.0%から、最も詳しいdeveloper instructionで95.8%まで上がりました。安全性はmodelだけでなく、tool capabilityを正確に記述する運用へ依存します。
最後に、曖昧な指示への対応にはhelpfulnessとsafetyのtradeoffがあります。慎重すぎるmodelは明確な指示でも質問し続け、積極的すぎるmodelは不明確な対象を勝手に選びます。これはrobotだけでなく、すべてのagentが抱える問題です。
結論。賢い身体より、分離されたsystemが重要
Gemini Robotics 2は、humanoidが歩いたことだけを見れば派手なreleaseです。
しかし実務へ持ち帰るべきなのは、考えるER、動くVLA、実機固有のcontroller、独立したsafety guardrailを分けたことです。
数分のtaskを進め、途中の状態を理解し、失敗から戻り、人が近づけば止まる。これを一つのmodelの賢さで済ませず、systemとして設計する。
ロボットが現実世界へ出るほど、AIの性能より境界線の設計が重要になります。今回のreleaseは、その境界線をかなり具体的に見せました。
参照
- Gemini Robotics 2 official release
- Gemini Robotics 2 VLA model page
- Gemini Robotics ER 2 developer release
- Gemini Robotics ER 2 model card
- Gemini Robotics On-Device 2 model card
- Gemini Robotics 2 Safety Evaluations
- ASIMOV-Agentic dataset
【送料無料】マクロキーパッド、ストリームコントローラーデッキゲームストリーミングショートカットキーボード、18個のプログラム可能