Gemini Robotics ER 2 は、Google DeepMind が 2026年7月30日に発表したロボティクス向けの新モデルです。
動画理解、複数ステップのタスク計画、複数ロボットの協調を担い、Gemini API や Google AI Studio から利用できます。
特徴は、ロボットの細かな動作そのものよりも、状況を見て次の行動を決める「高レベルの頭脳」として設計されている点です。
ロボットAIの進化を考えるとき、つい注目は「どれだけ器用に動けるか」に向かいます。つかむ、運ぶ、注ぐ、避ける。物理世界で成果を出すには、たしかに動作の精度が必要です。
ただ、現場で本当に難しいのは、動作単体ではありません。いま作業はどこまで進んだのか。失敗したのか、まだ途中なのか。次の手順へ移ってよいのか。別のロボットに任せるべきか。Gemini Robotics ER 2 が示しているのは、ロボット開発の焦点が「手足の制御」から「作業全体の段取り」へ広がりつつあるという変化です。
たとえば、電球を締める、袋を結ぶ、カップに液体を注ぐといった作業では、成功条件は静止画だけでは判断しにくいものです。途中の映像を見続け、進捗を分類し、重要な瞬間を検出しなければなりません。Google は ER 2 について、動画フィードを使った進捗把握や、作業完了の判定、失敗時の修正を強調しています。これは、ロボットが命令を一度受けて実行する機械から、作業の状態を読みながら調整するエージェントへ近づく動きです。
開発者にとっての機会は、ここにあります。ロボットごとに巨大な一枚岩の制御システムを作るのではなく、低レベルの VLA モデル、ナビゲーションAPI、検索、ユーザー定義関数を道具として束ねる構成が現実味を帯びてきます。ER 2 は、その上位で「何を、どの順に、どの条件で呼び出すか」を判断する層として位置づけられています。
この構造は、ソフトウェア開発でいうエージェント設計に近いものです。個別ツールの性能だけでなく、ツール選択、状態監視、失敗時のリトライ、人間への確認が品質を左右します。物理世界では、その重要性がさらに高くなります。誤ったAPI呼び出しはエラーで済むかもしれませんが、誤ったロボット動作は人や設備に影響します。
だからこそ、今回の発表を「ロボットが賢くなった」という話だけで読むと、判断材料を取り逃がします。見るべき点は、ロボットAIのアーキテクチャが、単体モデルの能力競争から、複数の実行手段を安全に編成する方向へ進んでいることです。
現時点では、実運用でどこまで汎用的に使えるかは慎重に見る必要があります。Google 自身も安全ベンチマークや人間接近時の停止などを前面に出していますが、現場ごとの制約、責任分界、検証方法は別途設計しなければなりません。
それでも、開発者が試せるAPIとして出てきた意味は小さくありません。ロボットを「動かす」だけでなく、「作業を任せる」ための抽象化が、開発対象になり始めています。これからのロボティクス導入判断では、アームや移動機構の性能だけでなく、進捗を理解し、失敗を検知し、複数ロボットや外部ツールをどう編成できるかが重要な評価軸になります。
関連記事
- Stacked sessions and pull requests in the GitHub Copilot app
- Investigating three real-world incidents in our cybersecurity evaluations
- Advancing the price-performance frontier with GPT-5.6
参考文献
コメント