Google DeepMindのキールタナ・ゴパラクリシュナン（Keerthana Gopalakrishnan）氏は、2026年7月30日に発表されたGemini Robotics 2を背景に、現在のロボティクス技術が依然として「GPT-2の段階」にとどまっていると指摘しました。川崎重工業などの国内重工メーカーや産総研が進める自律ロボット開発現場にとって、単なる動作デモから物理接触を伴う高信頼な作業への移行要件を再定義する材料となります。
Gemini Robotics 2登場と2026年ロボティクス研究の現在地
2026年10月、Google DeepMindのスタッフリサーチサイエンティストであるキールタナ・ゴパラクリシュナン氏は、ポッドキャスト『The Cognitive Revolution』において、現行ロボティクス分野における技術的成熟度を率直に分析しました。業界の一部では「2027年半ばに有用な人型ロボットが普及し、2028年にはロボットが自律的に工場を建設するロボット経済が到来する」という急速なタイムライン予測（AI 2027等）が語られています。しかし、同氏はこの見通しに対して慎重な姿勢を示しました。
走行や移動といった脚式ロボットのデモが急速に進展した背景には、地面との剛体接触がシミュレーション環境で計算しやすいという物理的特性があります。モーション模倣と強化学習（RL）を組み合わせた特化型コントローラを用いれば、平坦な走路を高速で移動する動作は容易に再現可能です。一方で、日常的なマニピュレーション（手先による物体操作）は摩擦や変形を伴う接触ダイナミクスに依存するため、シミュレーションと現実のギャップ（Sim-to-Realギャップ）が埋まりにくい構造を持っています。
ゴパラクリシュナン氏は、現在のロボティクスを「GPT-3」ではなく「GPT-2」の段階にあると位置づけました。言語モデルにおけるGPT-3は、モデル自体を再学習することなく少数の例示で新しいタスクをこなす少数ショット学習（Few-shot learning）を確立しました。さらに、同じモデルアーキテクチャが異なるサーバー環境でも等しく動作します。しかしロボティクスにおいては、ある特定のロボット機体で学習した頭脳（制御モデル）を別の機体へゼロショットで転送する「クロスエンボディメント汎化」がいまだ達成されていません。
Google DeepMindが2026年7月30日に発表した「Gemini Robotics 2」スイートは、この物理接触と汎化の課題に対する基盤モデル側からの回答です。同スイートは身体化推論を司る「ER2（Embodied Reasoning 2）」、制御を行う「VLA（Vision-Language-Action）」、そしてエッジ向けモデルで構成されています。
| 項目 | Gemini Robotics 1（2025年3月） | Gemini Robotics 2（2026年7月） | 産業実装への課題 |
|---|---|---|---|
| 末端構造（エンドエフェクタ） | 二本指グリッパー主体 | 5指・多指ハンド（Sharpa、Wuji等） | 触覚センサの耐久性と部品コスト |
| モデル提供形態 | クローズド検証 | ER2の公開API提供開始 | 複数タスク連携時の誤差複利 |
| 適応データ要件 | 大規模な実機微調整 | 新規身体への適応に約200例のデモ | ゼロショット汎化の未達成 |
ボストン・ダイナミクス（Boston Dynamics）の四脚ロボット「Spot」が計器を読み取りながら作業環境内を巡回する事例や、アプトロニック（Apptronik）の人型ロボット「Apollo」が別機体（Duo）と連携してタスクを交代するデモなど、サードパーティ製ハードウェアへの適用実験が公開APIを通じて拡大しています。
参考記事: GoogleがGemini新モデルとロボティクスER 2を発表、AIエージェントと実世界タスクを強化
12.8万トークンのER2とVLA疎結合が生む多指制御のメカニズム
Gemini Robotics 2の中核は、高次推論を担うER2と、低レベルの身体制御を担うVLAを分離させた疎結合アーキテクチャにあります。単一のエンドツーエンドモデルで視覚入力からモーター駆動トルクまでを一括計算する手法は、モデル内部の解釈性を損ない、ハードウェアごとの機構差に過剰適合しやすい欠点を抱えていました。
ER2は、Gemini本体のマルチモーダルアーキテクチャをベースとしており、128,000トークンの広大なコンテキストウィンドウを持ちます。これは視覚入力を含めた約3分間の密な物理状況の連続記録に相当します。長時間の作業プロセスにおいて、ロボットは過去のフレーム画像をそのまま保持し続ける必要はありません。タスク進行状況をテキストや簡潔な特徴量として要約・圧縮することで、メモリ効率を高めつつ長期の作業計画を維持します。
ER2とVLAの連携において決定的な点は、そのインターフェースをテキスト情報だけに限定せず、マルチモーダルな空間指示情報として保持している点です。ER2は対象物を直接ポインティング（座標指定）し、「左を見て」「その位置に手を置け」といった空間的な参照を含んだ低レベル指示をVLAに送ります。VLA側は与えられた目標と現在の視覚フレームから、ミリ秒単位の手先軌道を生成します。
[環境カメラ/内界センサ]
│
▼
[ ER2 (Embodied Reasoning 2) ] ── (128,000トークンの文脈メモリ)
・タスク計画・進捗自己監視
・エラー検知時の再計画
│ (空間ポインティング・マルチモーダル指示)
▼
[ VLA (Vision-Language-Action) ] ── (エッジ/高周波ループ)
・手先軌道生成
・関節トルク・速度制御
│
▼
[ ハードウェア (多指ハンド / 腕 / 脚) ]
この疎結合構成により、器用さ（Dexterity）のフロンティアは従来の二本指グリッパーから多指ハンドへと移行しました。Gemini Robotics 1では剛体のピックアンドプレースが主目的でしたが、Gemini Robotics 2ではゴミ袋の口を結ぶ動作や柔軟物のハンドリングといった、指先の連続接触を伴う作業へと進化しています。
多指ハードウェア側の進歩もこの推論アーキテクチャを支えています。人間の手に近いサイズで作られた「Wujiハンド」は約10歳児相当の出力を発揮し、大型の「Sharpaハンド」は約20kgの可搬重量を持ちながら瓶の蓋を開けるトルク制御に対応します。
ただし、実用化に向けた技術的絶対条件（Prerequisites）には依然として高いハードルが存在します。
1つ目は「誤差の複利（Compounding Errors）」です。10工程からなる一連の作業において、各ステップの成功率が95%であったとしても、全体を通した成功率は約60%（0.95の10乗）に低下します。失敗の原因はVLAの把持精度だけでなく、ER2による完了判定の誤認やタスク切り替えの遅延といったオーケストレーション層にも起因します。
2つ目は「少数ショットの真の適応性」です。Gemini Robotics 2は新しい機体に適応させるために約200例の微調整デモを必要とします。人間の一度きりのデモンストレーション映像（一人称視点動画）から即座に動作を模倣するインコンテキスト学習は、机上のピックアンドプレースなど単純タスクでは成立するものの、配置や障害物が変わる非定常環境では十分な適応性を示せていません。
参考記事: Google DeepMindが描くAIロボット、VLAで考えながら未知の状況に対応する仕組みとは？実用化のロード…
ロボティクス産業の水平分業化と部品サプライチェーンへの波及
Google DeepMindが提示した「クラウド推論モデル（ER2）×ローカル行動モデル（VLA）×モジュール型ハードウェア」という構造は、従来のロボット産業における垂直統合モデルを揺るがしています。これまで産業用ロボットは、ファナック（FANUC）や安川電機に代表されるように、アーム機構、専用コントローラ、プログラミング言語を自社で一貫提供する垂直統合型が標準でした。
しかし、基盤モデルが物理世界の認識と計画を担う時代に入ると、ソフトウェアとハードウェアの分離（水平分業）が急速に進みます。ロボットメーカーが独自に推論モデルをゼロから構築することは計算資源の観点から非現実的であり、公開APIやオープンな基盤モデルとの接続インターフェースを標準化する動きが強まります。
この産業構造のシフトは、日本の製造業およびサプライチェーンに直接的な影響を与えます。
第一に、Tier1部品サプライヤーにとっては、多指ハンド化に伴うアクチュエータおよび触覚センサの需要構造の変化です。二本指グリッパーと異なり、多指ハンドには小型・高出力なアクチュエータが1手あたり10〜20個以上搭載されます。減速機の小型軽量化、過負荷に耐える堅牢性、さらには指先にかかる微小な摩擦変化を捉える触覚センサの量産技術が求められます。Sharpaハンドのように20kgの可搬重量を実現しつつ、繊細な接触制御を両立させるハードウェアは、日本の精密加工技術やモータ技術が強みを発揮できる領域です。
第二に、データ収集基盤の整備です。キールタナ・ゴパラクリシュナン氏は、シミュレーション、遠隔操作（テレオペレーション）、UMI（Universal Manipulation Interface）方式のセンサグローブ、一人称視点映像のいずれか1つのデータソースだけで物理AIを完成させることは不可能であり、すべてを組み合わせた実験的アプローチが必要だと述べました。工場や倉庫などの産業現場において、作業員の熟練動作を高精度に取得・構造化できる環境を整備できるかどうかが、国内企業におけるAI頭脳への適合スピードを左右します。
一方で、通信インフラとレイテンシの制約は残ります。ER2のような大規模な身体化推論モデルをクラウド経由で利用する場合、工場内の通信環境やリアルタイム制御プロトコルとの整合性が課題となります。高速な組み立てラインではミリ秒単位の決定論的な制御（Deterministic Control）が必須となるため、クラウド推論モデルの知能をローカル環境へ蒸留（Distillation）して配備するオンデバイス基盤技術の確立が不可欠です。
参考記事: ロボット基盤モデルとは？仕組みから最新動向・2030年予測まで徹底解説
ハードウェア信頼性と多層モデル評価に基づく技術選定
ロボティクスの実装を検討する技術責任者および事業責任者は、派手な二足歩行や高速走行のデモ映像と、実際の現場作業に必要な信頼性とを明確に区別して技術選定を行う必要があります。
- 作業タスクのリトライ許容度による適用領域の選別
失敗してもやり直しが利くタスク（コンテナからの部品ピックアンドプレース等）は、現行の基盤モデルアーキテクチャでも実用化に近い領域です。一方で、一度の失敗でワークの破損や工程停止を招くタスク（液体注入、薄肉成形品の嵌合、高温部材のハンドリング等）は、誤差複利の問題が解決されておらず、時期尚早です。自社の自動化対象を「リトライ許容度」と「接触物理の複雑さ」の2軸でマッピングし、適用フェーズを切り分ける必要があります。
- ER層とVLA層を切り離したシステム設計
将来的なモデルの入れ替えを見据え、上位の身体化推論（ER）と下位のリアルタイム制御（VLA）のAPI境界を自社システム内で抽象化しておくことが重要です。Google DeepMindが示したように、高次推論モデルの進展速度とエッジ側の制御モデルの進展速度は異なります。特定のモデルに密結合した制御システムを構築すると、基盤モデルの更新サイクルから取り残されるリスクを負います。
- 多指ハンドおよび触覚ハードウェアの評価基準策定
ロボットハンドの選定においては、単なる握力や可搬重量だけでなく、反復位置決め精度、接触時のバックドライバビリティ（逆駆動性）、熱ダレに対する耐性を検証項目に設定する必要があります。多指ハンドを現場環境で連続稼働させるためには、ソフトウェアの賢さ以前に、ハードウェアの故障率と交換容易性が実稼働率を決定づけます。
出典: Google DeepMind
出典: The Cognitive Revolution
出典: BigGo Finance
