Google DeepMindがGemini Robotics 2.5を発表、Mercedes-Benzの生産ラインで成功率96%を記録

Google DeepMindはロボットを研究室から実世界へと持ち出そうとしている。同研究所は11月10日、これまでで最も高性能な視覚・言語・行動（VLA）モデルと位置づけるGemini Robotics 2.5を発表した。周囲の状況を視覚で捉え、指示を理解し、ロボットの腕や手を直接制御するモデルである。同モデルはGoogleのロボティクスパートナー向けに順次提供されており、一般公開の予定は発表されていない。

より多くのタスクを、より高速に

Google DeepMindによると、Gemini Robotics 2.5は、道具の使用、柔軟な物体の操作、繊細な手先の動きを組み合わせた200以上の異なるタスクで評価されたという。具体例には、トングを使った食べ物の給仕、ギフトボックスへのリボン結び、液体をピペットで測り取る作業などが含まれる。同研究所の従来の基準と比較して、タスクの種類に応じて成功率が30%〜100%向上し、作業速度も20%〜30%高速化したと発表されている。

以前のバージョンと同様、このモデルは特定のロボットハードウェアに依存しない。Google DeepMindは、22自由度を持つ5本指のSharpaWaveハンドを装備したApptronikのヒューマノイドApollo 2や、平行グリッパーのみを備えた双腕プラットフォームFranka Duo上での動作を実演している。

Mercedes-Benzの工場での実証試験

最も具体的な成果は、ハンガリーのケチケメートとドイツのジンデルフィンゲンにある稼働中の生産ラインで実施された、ApptronikおよびMercedes-Benzとの概念実証から得られた。Apollo 2はそこで「キッティング」作業を担当した。バラ積みのコンテナから金属ブラケットを取り出し、各車両に必要な正確な順序でシーケンス用トレイに並べていく。推論モデルであるGemini Robotics ERが作業手順を追跡し、Gemini Robotics 2.5が手や腕の動作を制御する。Google DeepMindによれば、ロボットはこの作業で成功率96%を達成した。ApptronikのCEOであるJeff Cardenas氏は、モデルは数週間の微調整で「劇的な進歩」を遂げ、工場への移植も「性能低下が極めて少ない状態」で行われたと語っている。

新たな公開テストで測定された安全性

同モデルは、物理的な危険をリアルタイムで回避するために実行時の推論ガイダンスを活用している。同研究所の評価では、障害物周辺でのタスクの安全な実行率が33%向上し、人の近くでは43%向上した。また、Google DeepMindは、数十のシナリオにおいて危険な指示を巧みに偽装した数百件のプロンプトで構成されるベンチマークASIMOV-Jailbreakをオープンソースとして公開した。ただし、今回強調された数値は汎用モデルであるGemini 4 Argonのものであり、同モデルが99.5%の攻撃を阻止したのに対し、旧世代のGemini Robotics ER 2の耐性は82%であった。

データ生成を担う言語モデル

Gemini 4 Argonは開発速度を高める役割も担った。実際のカメラ視点1つからデジタルツインと数千回のシミュレーション繰り返し試行を生成し、それを現実のデモンストレーションデータと組み合わせた。さらに、研究者が動画から失敗の原因についての仮説を立て、シミュレーションや実機ロボット上で修正案を検証する作業も支援している。

今後検証が必要な点

公表された数値はすべてGoogle DeepMindおよびそのパートナーによるものであり、独立した第三者評価は発表されていない。ブログ記事には、Mercedes-Benzでの試験期間、処理された部品数、人間の作業員と比較した作業ペースについての詳細は記載されていない。また、価格、公開API、提供拡大のスケジュールは示されておらず、モデルの重みが公開される兆候もない。