長年、人型（ヒューマノイド）ロボットがもたらす未来の約束は、まるで終わりのないデモ映像のループを見せられているようでした。30秒間は素晴らしい動きを見せるものの、結局は研究室という限定された環境で、事前にプログラミングされた単一のタスクをこなすのが精一杯。ブロックを積み上げることはできても、散らかった部屋を歩き回れば、砂糖を摂りすぎた幼児のように足元をふらつかせる。そんな閉塞感を打ち破るべく、Google DeepMindが提示したのがGemini Robotics 2です。これは単なるソフトウェアのアップデートではありません。あらゆる形状、サイズのロボットに「知能」を吹き込む、いわば「脳の移植」とも呼ぶべき野心的なプラットフォームです。
そのコンセプトは、驚くほどシンプルで明快です。混沌として予測不能な現実世界において、ロボットが自ら認識し、推論し、行動するための「統合インテリジェンス・レイヤー」を構築すること。これは単にロボットアームの微細な動きを制御するだけにとどまりません。Googleが「全身知能（Full Body Intelligence）」と呼ぶこの技術は、足先から指先までを一つのAIモデルで統合制御し、バランス維持、移動、そして細かな作業を流れるような一連のプロセスとして同期させます。関節ごとにプログラムを組む従来の手法とは一線を画す、ロボットに「自律した意志」を与える試みなのです。
物理世界を支配する「三位一体」のAI
Gemini Robotics 2の核心は、単一のモデルではなく、役割の異なる3つの専門モデルが調和して機能するエコシステムにあります。物理世界でタスクを完遂するための、多層的な司令系統と捉えれば分かりやすいでしょう。
まず、基盤となるのがGemini Robotics 2本体。これは「視覚・言語・行動（VLA）」を司るマスターモデルです。「下の棚にジョウロを置いて」といった抽象的な指示を受け取り、歩く、かがむ、バランスを取る、そして物体を置くといった、複雑なモーター制御のシーケンスへと翻訳する「現場の司令塔」としての役割を果たします。
次に、戦略家としての役割を担うのがGemini Robotics ER 2（Embodied Reasoning：具現化された推論）です。現実世界のビデオフィードをリアルタイムで解析し、文脈を理解して多段階のタスクを計画します。予期せぬトラブルが発生した際の軌道修正も、このモデルの領分です。VLAモデルが「体」だとすれば、ER 2は「高次元の脳」であり、行動の前に「何をすべきか」を判断します。必要に応じてGoogle検索などの外部ツールを活用し、自らの計画を補完する能力さえ備えています。
そして、適応の天才がOn-Device 2です。ロボットのハードウェア上でローカルに動作する軽量なVLAモデルですが、その真骨頂は驚異的な汎用性にあります。Googleによれば、わずか200回に満たないデモデータさえあれば、わずか数時間で全く異なるセンサーや関節、機構を持つ新しいロボットに適合させることが可能だといいます。これは、業界を長年悩ませてきた「ハードウェアごとにAIをゼロから開発しなければならない」という呪縛からの解放を意味します。
作業台から、混沌とした現実の街へ
ロボティクスAIの真の価値は、工場のラインのような定型作業を超え、いかに「繊細さ」が求められるタスクをこなせるかにあります。Gemini Robotics 2は、実験室のテーブルの上を飛び出し、複雑な現実のシナリオに対応することを目的に設計されています。デモでは、22の自由度を持つ5本指のハンドを操り、電球をソケットから外す作業（成功率92%）や、ゴミ袋の口を結ぶ作業（成功率44%という、まだ「人間らしさ」を感じさせる結果）など、新たな次元の器用さを披露しました。
この飛躍的な進歩を支えているのが、意思決定プロセスへの「全身の統合」です。Apptronikの人型ロボット「Apollo 2」を用いたテストでは、棚から物体を回収するタスクで76.3%の成功率を記録しました。これは、歩行、バランス、リーチ、把持という、高度に連携した全身運動が求められる難易度の高いミッションです。
しかし、最も将来性を感じさせるのは「マルチロボット・コラボレーション（複数ロボット間の連携）」でしょう。Gemini Robotics ER 2が中央コーディネーターとなり、全く異なるタイプのロボット間でタスクを分担させることができます。例えば、人型のApolloが棚から取った荷物を、搬送用の車輪型ロボットに手渡す。それぞれのロボットが大きなワークフローの中での自らの役割を理解しているのです。ここに、あらゆるマシンが協調して働くための「共通言語」を作ろうという、Googleの壮大な野心が透けて見えます。
ロボット界の「Android」になれるか？
Gemini Robotics 2によって、Googleは次世代ハードウェアの「基盤OS」の座を狙う戦略的な一手を打ちました。理論上、どんなマシンでも動作可能な強力かつ適応性の高いAIを提供することで、爆発的に普及するであろうロボットたちの「脳」の供給源になろうとしているのです。
開発者や研究者にとって朗報なのは、この強力なツールの一部がすでに開放されている点です。Gemini Robotics ER 2は現在、Gemini APIおよびGoogle AI Studioを通じて利用可能となっており、高度な推論能力を活用したアプリケーション開発を今すぐ始めることができます。これにより、多段階のプランニングや現実世界のビデオ解析を、独自のロボットプロジェクトに組み込む道が開かれました。
もちろん、鮮烈なデモ映像と、真に実用的で信頼できるロボットの間には、依然として深い溝が存在します。現実世界は、制御された実験室よりも無限にカオスです。しかし、学習し、適応し、協調する「汎用的な知能」に焦点を当てることで、Google DeepMindはその溝に橋を架けようとしています。彼らが作っているのは、単に「賢いロボット」ではありません。すべてのロボットが賢くなるための「設計図」なのです。今度こそ、デモ映像のループが現実へと繋がる瞬間を目撃しているのかもしれません。