Google、ロボットの「頭脳」Gemini Robotics ER 2をGoogle Cloudで公開プレビュー。現場のAIはクラウドの商品棚に並んだ

まず初めに

ロボットAIの発表は、たいてい実験室のデモ動画とセットである。だが今回は地味だ。クラウドの管理画面、権限管理、シミュレーター、課金の棚。派手さはない。でも産業の歴史では、技術が「すごいデモ」から「管理コンソールで有効化できる機能」に変わった瞬間に普及が始まる。ロボットの頭脳がクラウドの商品一覧に並んだ、というのが今回の本当のニュースである。

※個人の感想です

何が起きたのか

Google Cloudは公式ブログで、Gemini Robotics ER 2をGeminiプラットフォームのパブリックプレビューとして提供開始したと発表しました。ER 2自体は、Google DeepMindが今年前半に「Gemini Robotics 2」の中核として発表した、身体性を持つ推論（Embodied Reasoning）モデルです。今回の発表は、そのモデルを企業の本番環境向けに、Google Cloudのセキュリティ、多エージェントの統制、ライフサイクル管理と組み合わせて提供する、というものです。

利用の入口はModel Gardenで、開発者向けドキュメントやGemini APIのロボティクス向けガイドも案内されています。一般提供（GA）ではなくプレビューである点には注意が必要です。

ER 2が担うこと

発表によると、ER 2の役割は大きく4つです。

第一に、タスクの検証と自己修正です。連続した動画を見て、作業の進捗を「成功／失敗」の二値、離散的なカテゴリ、連続スコアのいずれかで判定し、失敗した手順だけをやり直させます。重要な出来事が起きた動画フレーム（液体を注ぐのを止めるタイミングなど）を特定する精度は91.3%、フレーム距離の平均絶対誤差は0.96秒だと同社は公表しています。

第二に、計器の読み取りを含む空間推論です。円形ダイヤル、サイトグラス、デジタル表示、直線スケール、定規、液体温度計など、10種類を超える計器カテゴリの値を視覚入力から読み取れるとしています。

第三に、形態を問わない統制です。固定式アーム、車輪型ローバー、四足歩行ロボット、ヒューマノイドまでを対象に、低レベルの制御インターフェース（VLAモデル、ナビゲーションAPI、自社の関数）をツールとして宣言し、自然言語の指示で動かします。複数のロボットが作業空間について共通の意味理解を持ち、分業や引き継ぎを行う協調も掲げられています。

第四に、クラウド側の開発・運用基盤です。MuJoCo-WarpやNVIDIA Isaac Simでのシミュレーション、実演動画のラベル付けによるVLAモデルの学習、Google Distributed Cloudへの低遅延ワークロード配置、BigQueryへのフリートのテレメトリ集約などが、Geminiプラットフォームの機能として並べられています。

顧客事例として挙がった名前

発表では、Boston DynamicsのSpot担当幹部による点検用途のコメント、DeepReach AI、Arm、シンガポールのASTAR IMRE（材料研究のラボ自動化）などの声が紹介されています。いずれも発表内の引用であり、導入効果の数値が独立に検証されたものではありません。とくにASTARの事例は、APIを持たない旧型装置のタッチ画面をロボットに読ませる、といった「既存設備に手を入れない自動化」の方向を示すものとして引用されています。

私たちへの影響

一般の利用者が直接触る製品ではありません。影響は、工場・倉庫・研究施設で働く人と、ロボット導入を検討する企業側に現れます。頭脳部分をクラウドから借りられるようになると、ロボット本体を持たない企業でも、既存のロボットや設備に「判断」を後付けする試行がしやすくなります。

一方で、プレビュー段階のモデルに現場の判断を委ねることへの留保も必要です。進捗判定の精度91.3%という数字は同社の公表値であり、自社の現場・自社のタスクで同じ精度が出るかは別問題です。導入側は、シミュレーションと小規模な実証で自社条件の数値を取ることが前提になります。

初心者が知っておくべきこと

Q. 「VLAモデル」とER 2は何が違うのですか。

A. VLA（Vision-Language-Action）モデルは、見たものと言葉から、ロボットの具体的な動作を出す低レベルのモデルです。ER 2はその上位にあり、「次に何をすべきか」「今の手順は成功したか」を考える頭脳側です。今回の設計では、ER 2がVLAをツールとして呼び出す立場に置かれています。

Q. パブリックプレビューとは何ですか。

A. 一般提供（GA）の前段階で、希望者が試用できる公開状態を指します。仕様や料金が変わる可能性があり、本番運用にそのまま使うことは通常想定されていません。今回の発表でも、料金の詳細は示されていません。

Q. ロボットはクラウドにつながっていないと動かなくなるのですか。

A. 発表では、遅延に敏感な処理（SLAMや経路計画など）は現場側のGoogle Distributed Cloudへ配置できるとされています。全ての判断が遠方のクラウド依存になる設計ではない、というのが同社の説明です。

IT Postの見方——「頭脳のクラウド化」で、ロボットの値段の付き方が変わる

IT Postでは、今回の発表の本質はモデル性能の自慢ではなく、ロボットの「頭脳」を本体から切り離してクラウドの従量商品にしたことだと考えます。本体は筋肉、頭脳はサブスク。そうなるとロボットメーカーの競争は、関節の精度だけでなく、どの頭脳プラットフォームに接続できるか、という接続性の競争に広がる。Boston DynamicsやArmが発表に名を連ねたのは、その陣取りが始まっている証拠である。

国内でも、ドコモのフィジカルAIプラットフォームやKDDIの新会社など、通信キャリアが「現場とクラウドをつなぐ側」で同じ市場を狙っている。頭脳を作る者、体を作る者、現場とつなぐ者。ロボット産業の主導権争いは、モデルのベンチマーク表ではなく、この3層のどこを取るかで決まっていくはずだ。

※個人の感想です

今後どうなりそうか

焦点は、パブリックプレビューから一般提供へ進む時期と料金体系、そしてシミュレーションから実機までを一気通貫で使った顧客の実名事例が増えるかどうかです。同社は価格ページへの案内を出していますが、本記事の執筆時点で発表本文に具体的な料金は示されていません。

IT Postでは、一般提供や料金の続報が出た場合は、本記事を更新して追います。