メインコンテンツへスキップ
AI Tools 20分で読める

Gemini Robotics 2全解説｜全身ヒューマノイド制御の実力と限界

#Gemini Robotics 2#Google DeepMind#ヒューマノイドロボット#ロボティクスAI#VLA#ER 2#フィジカルAI#Boston Dynamics#ASIMOV#Apptronik

「上半身だけじゃなく、脚まで丸ごと動いている」。7月30日深夜のHacker Newsスレッドに投稿された一文だ（出典: Hacker News, #49111237, 2026年7月30日）。Google DeepMindが同日発表したGemini Robotics 2は、ヒューマノイドロボットの「全身」を単一の学習済みポリシーで制御するという設計だ。

先代のGemini Robotics 1.5はテーブルトップ操作、つまりアームとハンドの制御が中心だった。今回の2は脚・胴体・両腕・5本指ハンドを1モデルが統括する。「脚が生えた」という変化は数字以上の意味を持つ。ロボットが「動きながら作業する」という、製造や物流の現場が求めてきた能力の扉を開く。

ただし、印象的なデモ映像の裏に何があるかを確認することが重要だ。ベンチマーク数値、アクセス制限、パートナー体制、安全評価。この記事ではその4点を実務目線で整理する。

4行でわかる結論
  • Gemini Robotics 2はGoogle DeepMind初の「全身統一ポリシー」モデル。脚から指まで1ポリシーで制御するとGoogle DeepMindは主張する。3モデル（VLA・ER 2・On-Device 2）で構成。
  • ER 2はGemini APIで今すぐ使える。VLAとOn-Device 2は早期アクセス申請が必要で、一般公開はされていない。
  • 全身タスクの成功率は45.7〜76.3%、5本指操作は32〜92%。デモ映像の完成度とは異なり、条件次第でばらつきが大きい。
  • ASIMOV-Agenticという新しいロボット安全評価ベンチマークを公開。人体への安全停止、危険アクション拒否を定量評価する。
この記事はこんな人におすすめ
  • ロボティクスAIの技術動向をウォッチしているエンジニア・研究者
  • 製造・物流領域でフィジカルAIの導入を検討しているPM・事業開発担当
  • Gemini APIを使ってロボット制御を試みたい開発者
  • NVIDIA Cosmos陣営とGoogle陣営の戦略の違いを把握したい方

3モデル体制の全容｜VLA・ER 2・On-Device 2の役割分担

Gemini Robotics 2は単一モデルではなく、3層のモデル体制で動く。それぞれの役割を理解しないと、どこに使えてどこに使えないかが見えない。

Gemini Robotics 2（VLA） は視覚・言語・動作を統合するVision-Language-Actionモデルだ。カメラ映像と自然言語の指示を受け取り、ロボットの各関節への運動指令に変換する。脚・胴体・両腕・多指ハンドを1つの学習済みポリシーが統括するのがこのモデルで、「全身知能」の核心にあたる。動作確認済みの実機はApptronik Apollo 2、Boston Dynamics Atlas、Franka Franka Duo、Agile Robotsだ（出典: Google DeepMind Blog, 2026年7月30日）。

Gemini Robotics ER 2（Embodied Reasoning） は高レベルの推論を担うモデルで、VLAに「次に何をすべきか」を指示する脳の役割を果たす。複数ステップにわたるタスク計画、数百の意思決定の追跡、複数ロボット間の協調を処理する。さらに人が安全距離内に近づいた際に安全停止のツール呼び出しをトリガーし、人が離れたら自律的に再開するという安全機能も持つ。ER 2はGemini APIとGoogle AI Studioで今すぐ利用可能だ。

Gemini Robotics On-Device 2 はクラウド接続なしでロボット本体上で動作するローカルモデルだ。最大の特徴は適応速度で、全く新しい双腕ロボットに対して200サンプル未満・数時間の収集で適応できるという（出典: X/kimmonismus, 2026年7月30日）。工場や医療現場など通信が制限される環境向けの設計だ。ただし現時点ではTrusted Testerプログラムへの申請が必要で、一般利用は開放されていない。

全身タスクのベンチマーク数値と限界

成功率の数字は正直に読む必要がある。

Google DeepMindが公表したタスク別の成功率は次のとおりだ（一次出典: Google DeepMind Blog, 2026年7月30日、TechTimes, 2026年7月30日）。

全身タスク（Apollo 2 + Inspireハンド）

タスク成功率
テーブルから物を拾う68.4%
棚から物を拾う76.3%
床から物を拾う45.7%

5本指操作タスク（Apollo 2 + SharpaWaveハンド）

タスク成功率
電球を取り外す92%
ゴミ袋を結ぶ44%
ジップロックを閉める40%
電球を取り付ける36%
ちりとり使用32%

60ポイント近い差は何を意味するか。「手先の器用さは依然として遠い目標だ。ロボットはまだ人間より学習効率がはるかに低く、人間なら1〜2回のミスで修正できることをできない」。DeepMindロボティクス部門ディレクターのKanishka Rao自身がBloombergに語った言葉だ（出典: Bloomberg, 2026年7月30日）。

Engadgetは「動画に映ったタスクはすべて人間の遠隔操作と模倣データでモデルを事前学習させたもの。汎用化への疑問は残る」と指摘した（出典: Engadget, 2026年7月30日）。

ER 2については91.3%の精度と平均絶対距離0.96秒を達成しており、自社比較では4倍速い実行速度でより大きなモデルに匹敵するとされる（出典: MarkTechPost, 2026年7月30日）。ただしこれらはすべてGoogleによる自己評価値だ。独立研究機関による再現検証は2026年7月時点で公表されていない点に注意が必要だ。

Slashdotのコメント欄では「AIを物理世界に解放する前に解決すべき問題がある」という懸念も書かれていた（出典: Slashdot, 2026年7月30日）。デモ映像は整理されたスタジオ環境で撮影されており、実際の工場フロアや病院廊下のような不規則な現場での性能は別の話だ。

映像で確認できたタスクは電球の交換、カセットテープをラジカセへ挿入、ゴミ袋の結び、棚への物品整理など。これらは人間なら子供でもできる作業だが、ロボットにとっては視覚・バランス・把持を同時に扱う高難度タスクだ。

パートナープログラムと実機展開｜誰が今使えるか

Gemini Robotics 2の実機展開は特定パートナーとの共同開発から始まっている。

Boston Dynamics（Hyundai傘下）はCES 2026でGoogleとの連携を発表しており、Atlas向けのGemini Roboticsモデルをヒュンダイの製造ラインでテストする計画が進行中だ（出典: Boston Dynamics Blog）。2026年分のAtlasはすべてHyundai Motor GroupのRAMACとGoogle DeepMindに割り当てられており、一般企業は2027年以降の入手待ちだ。

Apptronikは2026年6月にGoogle DeepMindとの共同施設「Robot Park」（テキサス州オースティン、9万平方フィート）をオープンし、Apollo 2で収集したデータをGemini Roboticsのトレーニングに提供している。Apollo 2が収集した動作データはGemini Roboticsのトレーニングに使われ、モデル改善に貢献する設計だ（出典: The Robot Report, 2026年6月）。

開発者向けの入り口はER 2だ。Gemini APIとGoogle AI Studioで利用可能で、Gemini Enterprise Agent Platformでもプライベートプレビューが始まっている。自社ロボットや研究機器に組み込んで高レベルの推論・計画機能を試す実験は今すぐ始められる。

ASIMOV-Agenticと安全評価｜ロボット安全の定量化

今回のリリースで見落としがちだが重要なのが、ASIMOV-Agenticという新しいベンチマークの公開だ。

ASIMOV-Agenticはロボットエージェントの安全性を定量評価するために設計されている。評価軸は3つだ。（1）VLAから来た危険なアクション指令を拒否できるか、（2）タスクが実行不可能だと判断して人間に介入を求められるか、（3）人が安全距離内に入った際に制御停止を自律的に発動できるか。HuggingFaceでCC-BY-4.0ライセンスで公開されており、第三者も評価に使える（出典: Google DeepMind Safety Report, 2026年7月29日）。

ER 2はASIMOV-Agenticで「安全制約の遵守とヒト近傍ベンチマークにおいてこれまでのロボティクスモデル中で最も安全」とGoogle DeepMindは主張している。ただし、この評価も自社発表値だ。現実の工場で作業者とロボットが混在する状況は、ラボベンチマークよりはるかに複雑になる。

日本市場の現在地｜KDDI×AVITAとNVIDIA連合の対比

Gemini Robotics 2の発表と同日、日本でも動きがあった。

7月30日・31日の「Google Cloud Next Tokyo 2026」でKDDIとAVITAが共同開発中の接客用ヒューマノイドを発表した。Gemini 3.1 Flash Live（音声処理）を搭載し、声のピッチや話速、感情のニュアンスをリアルタイムで認識する。外見は「平均的な日本人の体型」に近く、シリコン製の肌と温かみのある表情機構を持つ設計だという（出典: ロボスタ, 2026年7月30日）。商業施設・医療・エンターテインメント向けを想定している。ただしこちらはGemini Robotics 2 VLAではなく、音声インターフェースにGemini Live APIを使った接客・受付用途だ。製造業のヒューマノイドとは別のカテゴリに位置する。

一方、日本の産業用ロボット大手（FANUC、安川電機、川崎重工）はGoogleではなくNVIDIAのCosmos Coalitionに加わっており、エッジAIでのオンデバイス推論に軸を置いている。この構図についてはNVIDIA Cosmos 3 Edgeと日本22社の解説記事に詳細をまとめた。今のところ、GoogleのVLA/ER 2プログラムに参加している日本企業は公式には確認されていない。

フィジカルAI2強の比較｜Google Gemini vs NVIDIA Cosmos 3 Edgeの戦略

フィジカルAIの2大陣営を整理する。

比較軸Google Gemini Robotics 2NVIDIA Cosmos 3 Edge
モデルサイズ非公開（クラウドベースVLA）4Bパラメータ（エッジ最適化）
動作環境クラウド推論（VLA）/ ローカル（On-Device 2）エッジデバイス（Jetson T2000/T3000）
公開状況ER 2のみ公開、VLAはパートナー限定NIM Container経由で一般利用可能
強み全身統一ポリシー、言語理解の深さ物理シミュレーション、オープンウェイト
日本OEM連携なし（接客ロボットにGemini APIのみ）FANUC、安川、川崎重工が参画
実出荷パートナー企業限定、2026年内Jetsonは2027 Q1予定

（出典: NVIDIAプレスリリース, Google DeepMind Blog, 2026年7月）

「デモが良くても自分のロボットで使えるかは別の話」。Slashdotのコメント欄に出ていた指摘だが本質をついている（出典: Slashdot, 2026年7月30日）。Gemini Robotics 2のVLAとOn-Device 2は現時点でパートナー企業しかアクセスできない。開発者が実際に触れるのはER 2だけだ。

いずれの陣営も、ハードウェアと学習データとモデルが三位一体で揃わないとロボットは動かない。モデルだけが優れていても、専用ハードがなければ意味がない。これはGemini Robotics 2もCosmos 3 Edgeも同じ課題を抱えている。

ER 2をすぐに試すには

Gemini Robotics ER 2はGemini APIで今すぐ利用できる。Google AI Studioで無料枠から試せるため、API利用は無料枠から試せるため、ER 2を組み込んだシステムの実験を低コストで始められる。VLAとOn-Device 2を使いたい場合はGoogleのTrusted Tester Programへの申請が必要だ。

詳しく見る

関連記事

免責事項

本記事は公開情報をもとに執筆しています。記事中のベンチマーク数値はすべてGoogle DeepMindによる自社発表値であり、独立機関による再現検証は2026年7月31日時点で公表されていません。技術仕様・価格・提供状況は予告なく変更される場合があります。本記事の情報を業務判断・投資判断の根拠として用いることはご遠慮ください。最新情報は必ず公式発表をご確認ください。

Share