30秒サマリー
- GoogleがロボットAIモデル「Gemini Robotics ER 2」を発表し、Gemini API等で開発者向けに公開
- 動画によるリアルタイム進捗把握、多段階タスク計画、異種ロボット間の協調作業を実現
- 安全性ベンチマークでも前世代を上回り、人間接近時の自動停止機能を確認
何が起きたか
Google DeepMindは2026年7月30日、ロボット向け高水準推論モデル「Gemini Robotics ER 2」を発表した。同モデルはロボットの「高次脳」として機能し、人間との対話、物理環境の理解、多段階タスクの計画立案を担う。実際の動作制御は下位のVLA（Vision-Language-Action）モデルに委譲する階層型アーキテクチャを採用しており、思考と動作を同時並行で処理できると説明されている。Gemini API、Google AI Studio、および限定プレビュー中のGemini Enterprise Agent Platformを通じて開発者が利用可能。
動画理解面では、タスク進捗の「進行分類」と「瞬間特定」の2機能を強化。進捗分類では評価データで57.4%の正解率を達成し前世代モデルを上回った。瞬間特定（コーヒーを注ぐ停止タイミングの判定など）では91.3%の正解率と平均0.96秒の誤差を記録し、より大規模なモデルと競合しつつ計算コストは低く、実行速度は4倍と公式ブログは主張している。
多ロボット協調機能も新たに追加され、異なる機種（原文ではApptronik社のApollo 2とFranka F3 Duoが例示されている）が共通の意味理解を介してタスクを分担できる。ボストン・ダイナミクス社の四足歩行ロボット「Spot」を用いたデモでは、自然言語の指示に応じてスナックを取り寄せる様子が公開された。安全性については、人間が近くにいる際にロボットを自動停止し、エリアが安全になると自律的に作業を再開する動作を確認したとされる。
原典ハイライト
原文は「Gemini Robotics ER 2はER 1.6と比較してツールオーケストレーション（実VLA・シミュレーションVLA・人間テレオペの3モード）で一貫して上回る」と記述。また安全性に関する技術レポートを別途公開していることも言及されている。
出典: Google DeepMind Blog（公式ブログ）
So What?（なぜ重要か）
ロボットの「知覚・判断・行動」のうち判断レイヤーを汎用LLMが担うアーキテクチャが実用段階に入りつつあることを示す。APIで提供されるため、自社でロボット向け基盤モデルをゼロから開発しなくても、高次推論機能を外部調達できる環境が整いつつある。動画からリアルタイムでタスク完了を判定する能力は、製造・物流・医療など検査工程の自動化に直結し得る。
日本企業への示唆
製造業・物流業の日本企業にとって、Gemini Robotics ER 2はまず既存ロボット設備へのAI高次制御層の後付けという形で試験導入を検討できる。Gemini APIで提供されるため、独自の基盤モデル開発コストを掛けずに多段階タスクの自律化や異種ロボット連携の実証実験が可能。一方、安全規制や労働慣行の観点から「人間接近時自動停止」などの安全仕様が国内基準を満たすかどうかは別途検証が必要。ロボットSIer（システムインテグレーター）にとっては、提案する制御アーキテクチャの刷新を迫られる可能性もあり、技術ロードマップの見直しが急務とみられる。
背景・経緯
Google DeepMindは以前にGemini Robotics ER 1.6を提供しており、今回のER 2はその後継モデルに位置づけられる。原文によれば、空間推論・動画理解・安全性の各ベンチマークで前世代および他社フロンティアモデルを上回る結果が得られたとされる。ボストン・ダイナミクスやApptronik、Franka Roboticsなど複数のロボットメーカーとの連携デモが既に実施されている。
