Google DeepMindは2026年11月10日、ロボットの動作を制御する新たなAIモデル「Gemini Robotics 2.5」を発表した。Mercedes-Benzの実稼働ラインで実施した概念実証では、部品の仕分けや配膳作業で96%の成功率を達成したという。ただし、この数字は特定の部品準備作業を対象としたものであり、自動車製造の全工程における成功率を示すものではない。
今回の実証では、作業全体の進行を把握する「Gemini Robotics ER」と、ロボットの手や腕の動きを制御する「Gemini Robotics 2.5」を組み合わせている。DeepMindは作業性能の向上に加え、動作中の危険回避や危険な指示への耐性についても評価結果を公表した。また、実証に使用したロボットには、周囲の物体を検出して停止する安全機構も備わっている。これらはそれぞれ異なる危険に対処する仕組みであり、AIモデルの判断能力と機体側の安全対策を区別して評価する必要がある。
Mercedes-Benzの実稼働ラインで部品準備を自動化
Google DeepMindの公式発表によると、今回の概念実証はMercedes-Benzがハンガリーのケチケメートとドイツのジンデルフィンゲンに持つ実稼働ラインで実施された。使用されたのは、Apptronikが開発するヒューマノイドロボット「Apollo 2」だ。ロボットは供給容器に無造作に入れられた金属製ブラケットを取り出し、車両ごとに必要な順序で別の容器へ並べる作業を担当した。
この作業では、Gemini Robotics ERが作業の進行状況を把握し、Gemini Robotics 2.5が手や腕の動きを制御する。DeepMindは、部品の欠落を検出して補正する機能についても説明している。こうした部品準備作業をロボットに任せることで、人間の作業者がより複雑な組立工程に集中できるようにすることが狙いだ。
DeepMindが報告した96%という成功率は、あくまで今回の部品仕分け・配膳作業に関する概念実証の結果である。公式発表の該当箇所では、試行回数や評価期間、作業中に人間が介入した頻度などの詳細は確認できない。実際に稼働している生産ラインで特定の作業を実行できたことには意味があるものの、この数値だけで長期間の安定稼働や工場全体への適用可能性を判断することはできない。
約200種類の課題で器用さと作業速度を改善
DeepMindはGemini Robotics 2.5の性能を、約200種類の課題で評価した。具体例として、トングを使って食べ物を扱う作業や、贈答用の箱にリボンを蝶結びする作業などが挙げられている。これらには、道具を正確に操作する能力だけでなく、形状が変化しやすい素材を扱う細かな動作も含まれる。単純な物体の移動にとどまらず、器用な手先の操作が求められる作業への対応を重視した評価となっている。
DeepMindによると、従来のベースラインと比較した成功率の改善幅は、課題の種類に応じて30〜100%に達した。また、作業の完了速度も20〜30%向上したという。ただし、これらは従来モデルに対する相対的な改善率であり、すべての課題で成功率が100%に達したことや、成功率が最大100ポイント上昇したことを意味しない。実際の成功率や改善幅は、評価対象となる作業によって異なる。
対応するロボットも、特定の機体に限定されていない。今回の工場実証で使用されたApollo 2は、5本指で22自由度を持つSharpaWaveハンドを備える一方、Franka Duoには2指の平行グリッパーが採用されている。DeepMindはGemini Roboticsのモデル紹介ページで、手先だけでなく身体全体を協調させる全身制御にも対応すると説明している。重心を調整しながら歩く、しゃがむ、身体をかがめるといった動作も想定されているが、これらは同社が説明する対応能力であり、あらゆる機体や環境での動作が保証されたものではない。
モデルの学習には「Gemini 4 Argon」も活用されている。DeepMindは、実際の環境をカメラで捉えた映像などを基に数千種類のシミュレーション練習を生成し、現実の環境を再現したデジタルツインを構築する手法を説明している。これらのシミュレーションと実機による実演データを組み合わせることで、多様な状況への対応能力を高める狙いだ。さらに、失敗した際の映像から原因について仮説を立て、改善策を検証する作業も支援する。ただし、この手法によって学習時間がどの程度短縮されるかについて、具体的な数値は示されていない。
ロボットの安全性を支える3つの異なる仕組み
今回DeepMindが説明した安全対策は、大きく三つに分けられる。一つ目はロボットが動作中に障害物や人を避ける能力、二つ目は危険な行動を促す指示への耐性、三つ目は機体に組み込まれた物理的な停止機構だ。これらは対象とする危険や評価方法が異なるため、個々の性能指標をまとめて一つの安全性指標として扱うことはできない。
以下は、2026年11月10日のDeepMindの公式発表とApptronikのApollo 2製品ページを基に、各対策の仕組みと公表された評価結果を整理したものだ。異なる条件で得られた評価や設計上の説明をまとめており、同一条件で安全性能を比較したものではない。
| 安全対策 | 対象と仕組み | 公表された数値・設計 | 評価上の注意点 |
|---|---|---|---|
| 動作中の危険回避 | 推論時の制御によって、障害物や人の周囲で安全な動作を選択する | 安全に作業を完了する能力が、障害物の周囲で33%、人の周囲で43%改善 | 相対的な改善率であり、改善前後の絶対値は公表本文から確認できない。事故率を示すものではない |
| 危険な指示への耐性 | 危険な依頼を偽装した指示に対する耐性を、公開ベンチマーク「ASIMOV-Jailbreak」で評価 | Gemini 4 Argonは99.5%、比較対象のGemini Robotics ER 2は82% | Gemini 4 Argonの評価であり、Robotics 2.5単独の安全性能や物理的な事故率を示すものではない |
| 機体側の停止機構 | Apollo 2が設定された範囲内の物体を検出した際に停止する | 物体を検出すると即時停止する領域と、接近時の動作を設定できる周辺領域を備える | 機体の設計上の機能であり、今回の工場実証での具体的な設定は確認できない |
動作中の危険回避について、DeepMindは安全に作業を完了する能力が、障害物の周囲で33%、人の周囲で43%改善したと説明している。これは推論時の制御によって危険な動きを避けながら作業を完了する能力を評価したもので、物理的な事故の発生率が同じ割合で低下したことを意味しない。発表本文には改善前後の絶対的な成功率も示されていないため、具体的にどの水準まで安全性が向上したかを判断するには情報が不足している。
危険な指示への耐性については、公開ベンチマーク「ASIMOV-Jailbreak」を用いた評価が示された。この試験では、数十種類の場面にわたり、危険な依頼を偽装した数百のプロンプトに対する耐性を測定している。Gemini 4 Argonは99.5%を記録し、比較対象のGemini Robotics ER 2の82%を上回った。ただし、この数値はGemini 4 Argonに関する評価結果であり、Gemini Robotics 2.5自体の動作安全性を直接測定したものではない。また、危険な指示を拒否できることと、実際のロボットが物理的な事故を回避できることも別の問題だ。
機体側の安全対策としては、Apollo 2に搭載された物体検出と停止の仕組みがある。Apptronikによると、Apollo 2には物体を検出すると即時停止する領域と、人や設備、障害物が近づいた際の動作を設定できる周辺領域が設けられている。こうした機構は、AIモデルが危険な指示を認識して拒否するかどうかとは独立した、機体側の安全対策となる。ただし、今回のMercedes-Benzの工場実証で各領域がどのように設定されていたかは、公表資料から確認できない。
いずれの評価結果も、ロボットが事故を起こさないことを保証するものではない。安全な動作を選択するAIモデル、危険な指示を拒否する仕組み、機体側の停止機構は、それぞれ異なる役割を担う。実際の現場では、これらを組み合わせたうえで、設備や人との接触を防げるかを検証する必要がある。
工場への本格導入には失敗後の復帰と継続稼働の検証が必要
DeepMindはGemini Robotics 2.5をロボット分野のパートナーに展開しており、モデル紹介ページでは早期アクセスの待機リストも案内している。ただし、パートナーへの提供と、一般の開発者や企業が自由に利用できる状態は異なる。導入を検討する際には、実際の提供対象や利用条件を確認する必要がある。
ロボットの運用面では、AIモデルとは別に機体側の管理システムも関わってくる。Apptronikの製品説明によると、「Artemis」は認識、計画、制御などの機能を調整し、「Fleet Connect」はロボットの状態監視や作業調整、導入管理を担う。ただし、今回の工場実証でこれらのシステムが具体的にどのように使われたか、またGoogleのモデルとどのように接続されているかについて、詳細な仕様は確認されていない。
Mercedes-Benzの実稼働ラインで96%の成功率を達成したことは、ヒューマノイドロボットによる部品準備作業の実用化に向けた進展といえる。しかし、特定の作業を高い確率で完了できることと、工場で長期間にわたって安定運用できることは同義ではない。今後は、作業に失敗した際にロボットが自力で復帰できるか、人間による介入がどの程度必要になるか、継続稼働によって性能や作業効率がどう変化するかが重要になる。こうした運用データが明らかになれば、今回の概念実証の成果を、実際の製造現場での導入判断につなげやすくなるだろう。