10月27日、Google Cloudが「Gemini Robotics Embodied Reasoning 2 is now available on Google Cloud」と題した記事を公開した。「考える部分（高レベル推論）」と「動く部分（低レベル制御）」の統合という物理AI最大の課題に対し、Gemini Robotics ER 2はクラウドAPIから呼び出せる「ロボットの頭脳」として実用段階に入った。現場映像をリアルタイムに解釈して自己修正し、APIを持たないレガシー計器まで読み取れる点が、製造・研究現場への導入を現実的なものにしている。
「ロボットの頭脳」がGoogle Cloudで使えるようになった
物理AIと呼ばれる分野——ロボットが実世界で自律的に判断・行動するための技術——は、ここ1〜2年で急速に具体化しつつある。その中心にある課題は、「考える部分（高レベル推論）」と「動く部分（低レベル制御）」をいかに統合するかだ。
Gemini Robotics ER 2（Embodied Reasoning 2）は、この「考える部分」を担うモデルだ。Google DeepMindが開発し、今回Google Cloudのプラットフォーム（Model Garden内）からエンタープライズ向けにパブリックプレビューとして提供開始された。固定アームから人型ロボット・四足歩行ロボットまで、あらゆる形態のロボットに対応する設計で、自然言語での対話、長時間にわたるタスク計画、マルチロボット協調などを担う。
特に注目すべき機能：動画からのリアルタイム自己修正
エンジニア視点で最も面白いのが、タスクの進捗検証と自己修正の仕組みだ。
工場や実験室の現場では、ロボットが「この工程は本当に成功したか」を確認してから次に進む必要がある。Gemini Robotics ER 2は連続する映像フィードをリアルタイムに推論し、以下を実現する：
- タスク進捗の分類：二値（成功/失敗）、カテゴリ別、連続スコアでの判定。ワークフロー全体を最初からやり直さず、失敗したステップだけを再試行できる。
- クリティカルな瞬間（モーメント）の特定：「液体の注入を止めるべき瞬間」など、映像中の重要フレームを精度91.3%、平均絶対フレーム距離0.96秒で検出。この数値は元記事が参照するベンチマーク上での比較結果であり、比較対象の大規模モデル群に対して4倍の実行速度、かつコンピュート負荷は大幅に低いとされている。
- 計器の読み取り：円形ダイヤル、サイトグラス、デジタルディスプレイ、リニアスケール、液体温度計など10種類以上の計器カテゴリを視覚入力から直接読み取り・解釈できる。APIを持たないレガシー機器への対応が可能になる点は実用的だ。
なお、91.3%という数値はモーメント検出タスクにおける精度であり、計器読み取り全般の精度を指すものではない点に注意が必要だ。
「ツールとして」低レベルAPIを呼び出すアーキテクチャ
開発者向けの設計として、VLA（Vision-Language-Action：視覚・言語・行動を統合したモデル）やナビゲーションAPIをツールとして宣言し、Gemini Robotics ER 2がオーケストレーター（司令塔）として呼び出す構成を取る。映像・音声・テキストのマルチモーダルストリームを直接モデルに入力できる。
自然言語の指示でロボットに動作をさせながら、ロボット側が自分のアプローチを言葉で説明することも可能。オペレーターは技術的な専門用語なしに途中で指示を変更できる。
Google Cloud上でのエンドツーエンド構成
シミュレーションから本番デプロイまでの一連のフローをGoogle Cloudで完結できる構成が整備されている：
- シミュレーション：MuJoCo-WarpやNVIDIA Isaac Simでロボット挙動をハードウェアに触れる前に検証。マルチモーダルモデルで合成シナリオを生成し、作業セル画像の自動ラベリングも行える。
- トレーニング：ER 2の空間ポインティング・モーメント検出・進捗分類を使ってデモンストレーション映像をCloud StorageやBigQueryでキュレーション。カスタムVLAモデルの訓練はGKE（Google Kubernetes Engine：コンテナ化されたワークロードを管理するマネージドサービス）またはCluster Director（大規模GPUクラスタの管理・スケジューリング基盤）で実施。
- 本番運用：エンタープライズIAMとセキュリティ制御付きでワークフローをデプロイ。SLAM（Simultaneous Localization and Mapping：ロボットが自己位置を推定しながら環境地図を同時生成する技術）や経路計画など遅延に敏感なローカル処理はGoogle Distributed Cloudで工場フロアにオフロード。フリートのテレメトリはBigQueryに集約。
実際の導入事例
いくつかの企業・研究機関がすでにER 2を活用している。
Boston DynamicsはSpotによる巡回検査にER 2を組み合わせ、瞬間的な外観確認にとどまらず、映像全体へのAIモデル適用を可能にしたと述べている。VP兼GM Marco da Silvaは「毎月、指数関数的な成長を見ている」とコメントした。
A*STAR IMRE（シンガポール材料研究機関）は材料研究の自動化に活用。「APIを持たないレガシーマイクロ波反応器のタッチスクリーンを読み取る」「遠心分離機へのサンプルロード」「多忙な実験室内でのサンプル搬送」といった作業に対応させており、最終的に合成から分離まで一気通貫で実験キャンペーンを実行できる「セルフドライビングラボ」を目指している。
利用開始
Gemini Robotics ER 2は現在、Gemini platformのModel Gardenからパブリックプレビューで利用可能だ。
- ドキュメント：Gemini Robotics ER 2 documentation
- API：Gemini API Robotics documentation
- 研究レポート：Google DeepMind 発表（ベンチマーク・安全性技術レポートを含む）
「考える」クラウドと「動く」エッジを組み合わせたエンドツーエンドの構成が一通り整ったことで、物理AI導入の入り口としてGemini Robotics ER 2が選ばれやすい状況になったといえる。ロボットシステム開発を検討している開発者・エンジニアにとって、まず試す価値のある選択肢だ。
詳細はGemini Robotics Embodied Reasoning 2 is now available on Google Cloudを参照していただきたい。
