2026年7月30日
モデル
Carolina Parada
つま先から指先まで——私たちは、ロボットが幅広い複雑なタスクを完了できるよう、インテリジェントな全身制御、精緻で器用な操作、そして協調動作を実現するためのトレーニングを行っています。
何十年もの間、私たちはロボットが私たちの世界にシームレスに入り込み、手を差し伸べてくれることを夢見てきました。今日、そのビジョンは重要な一歩を踏み出しました。
ほとんどのロボットは事前にプログラミングされているか遠隔操作されており、限定的で反復的な一連のタスクしか実行できません。ロボットには、真に自律的に学習したり、予測不可能な環境に適応したりする能力が不足しています。さらに、学習したスキルをあるロボットの筐体（本体）から別の筐体へと移行することは、依然として極めて困難です。最も困難な課題に大規模に対応するには、あらゆる形状やサイズのロボットに、安全にタスクを完了するための思考、行動、インテリジェントな相互作用の能力をAIモデルによって与える必要があります。
私たちはこれまで、Gemini Robotics を通じて、Geminiのマルチモーダルな理解が現実世界での行動をどのように駆動するかを示してきました。本日、私たちは次世代の真に適応力のあるロボットを駆動するインテリジェントレイヤーである「Gemini Robotics 2」を発表します。文字通り最初の「一歩」を踏み出す中で、この重大な進歩は、インテリジェントな全身制御、高度で器用な操作、および複数ロボットの協調動作を解放します。
Gemini Robotics 2 は、ロボットが個々の動作を推論できるようにし、幅広いタスクを可能にします。例えば、人型ロボット（ヒューマノイド）に歩行、しゃがむ、背伸びをさせ、物体を操作して散らかった部屋を片付けさせることができます。さらに、他のロボットと協調して作業を進め、タスクの進行を加速させることも可能です。そして、この深いインテリジェンスはデバイス上でローカルに実行でき、わずか数時間でまったく新しいロボット本体にシームレスに適応させることができます。
私たちは、以下の3つの強力なモデルを通じてこれらすべてを実現しています。
- Gemini Robotics 2：当社の最先端の視覚-言語-行動（VLA）モデルであり、視覚と言語の入力をモーター制御に変換し、ロボットの行動を可能にします。このモデルは、つま先から指先まで人型ロボット全体を制御できるほか、他の双腕ロボットも制御可能です。また、両手やグリッパーに全く新しいレベルの器用な操作能力をもたらします。
- Gemini Robotics ER 2：当社の最も強力な身体性推論（ER）モデルです。これは視覚言語モデル（VLM）であり、当社のエージェントとして機能し、ロボットが人間とコミュニケーションを取り、物理世界を理解し、数分間に及ぶ複数ステップのタスクを計画できるようにします。また、ロボットがチームとして協調して作業する機能も導入しました。
- Gemini Robotics On-Device 2：ロボットデバイス上でのローカル実行向けに最適化された、当社の最も効率的な視覚-言語-行動（VLA）モデルです。このモデルは、わずか数時間のデータを使用するだけで、まったく新しいロボット本体に迅速に適応できるようになりました。
当社の推論モデルである Gemini Robotics ER 2 は、現在 Google AI Studio で提供されており、Gemini Enterprise Agent Platform でプライベートプレビューが開始されています。当社のVLAモデルおよびOn-Deviceモデルは、早期アクセスパートナー に公開されています。これらのモデルをお手持ちのハードウェアにデプロイする方法については、当社の 開発者ブログ をご覧ください。
動き出す人型ロボット：全身タスクの管理
世界は人間の動作に合わせて設計されています。狭く散らかった空間で手を伸ばし、屈み、バランスを保つことが求められます。以前のモデルでは、デスクトップタスクを完了するために人型ロボットの上半身を制御していましたが、Gemini Robotics 2 は物理AIを全身の運動へと拡張します。
当社のモデルは初めて、人型ロボット全体を制御し、意図をインテリジェントな全身制御へと変換できるようになりました。例えば、Apptronik の Apollo 2 人型ロボットを制御する際、「ジョウロを一番下の棚の緑色の箱に入れて。」と指示することができます。Apollo は指示を処理し、テーブルまで歩いて行き、ジョウロを持ち上げ、棚まで数歩歩いて、目標の位置に正確に置きます。ロボットの移動速度にはまだ向上の余地がありますが、これは全身の協調を必要とする、より複雑な現実世界のタスクを完了するために必要なスキルに向けた重要な一歩です。
両手とグリッパーに高度で器用な操作をもたらす
家庭や職場で本当に役立つ存在になるためには、ロボットには繊細な操作能力が必要です。Gemini Robotics 2 は、ロボットが手を使っているかグリッパーを使っているかにかかわらず、さまざまなエンドエフェクタにおいて新たなレベルの物理的な器用さを解放し、ロボットをこれまで以上に実用的なものにします。
このモデルは、Apollo 2 ロボットに搭載された5本指・22自由度の SharpaWave ハンドを制御し、結び目を作る、ジッパーバッグを閉じるなどの微細な動作を完了できるようになりました。また、Franka Duo プラットフォーム 上の標準的な2本指平行グリッパーを操作して、隙間なく梱包するなどの複雑で器用なタスクを実行することもできます。私たちは、人間に近いレベルの器用な操作を実現するために、精度と速度の向上を続けていきます。
エージェント推論と複数ロボットの協調による高度なタスクの解放
現実世界のタスクのほとんどは、比較的長い時間をかけて複数のステップで完了する必要があります。この複雑さに対処するため、当社の身体性推論（ER）モデルである Gemini Robotics ER 2 は、ロボットの上位の「頭脳」として機能し、ユーザーの指示を処理して人間とコミュニケーションを取ります。部屋を観察し、タスクを完了するために必要なステップを推論し、VLAと連携してアクションを実行し、タスクが完了するまで進捗を追跡します。このようなアーキテクチャにより、ロボットは複雑な複数ステップのタスクを実行し、あるステップで失敗した場合には自己修正し、新しい状況や目標に適応することができます。
今回のアップデートでは、数分間に及び、数百の意思決定を伴う、より長い一連のタスクをロボットがより高い信頼性で実行できるようになりました。Gemini Robotics ER 2 は、タスクがいつ始まり、いつ終わるかを理解し、重要なイベントが発生した瞬間を正確に特定できるようになり、進捗理解能力が飛躍的に向上しました。
さらに、複数ロボットの協調動作も導入しました。これにより、異なるタイプのロボットが互いに通信し、連携して動作できるようになり、単一のロボットでは独立して完了できない複雑なワークフローを解決できます。
あらゆるロボット向けにローカル実行モデルを迅速に適応
多くのロボットアプリケーションは、ネットワーク遅延やインターネット接続がない環境で動作する必要があります。Gemini Robotics On-Device 2 は、まさにこれらの制限に対応するために構築されました。これは、ロボットデバイス上でのローカル実行向けに最適化された、当社の最も効率的な視覚-言語-行動（VLA）モデルです。
このモデルはネイティブでマルチ本体に対応しており、Gemini Robotics 1.5 で培った先進的な「アクション移行」技術