Google DeepMind、Gemini Robotics 2.5を公開 メルセデス・ベンツの工場試験で成功率96%
Google DeepMindは、カメラ映像と音声または文字による指示をロボットの動きに変換する、ビジョン・言語・行動統合モデル（VLA）「Gemini Robotics 2.5」を発表した。同社によると、このモデルを搭載した人型ロボットは、稼働中のメルセデス・ベンツの生産ラインでの試験で、成功率96%に達したという。
DeepMindは、200以上のタスクでモデルを評価したと説明している。タスクには、トングを使った食べ物の配膳や、液体のピペット操作などが含まれる。同社が以前に設定した基準と比べると、成功率はタスクの種類によって30〜100%高く、作業完了までの時間は20〜30%短縮されたという。Ars Technicaは、Apptronikの人型ロボット「Apollo 2」が新モデルを使えば、リボンを結ぶこともできると報じた。リボンは変形しやすく、ロボットには難しい作業だという。
メルセデス・ベンツの生産ラインでの試験
試験はApptronikとメルセデス・ベンツと共同で行われ、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で実施された。The Decoderによると、Apollo 2はキッティング（工程ごとの部品の組み分け）を担当し、ばら積みの金属部品を取り出して、ラインの各車両が必要とする順序でトレイに並べた。ワークフローの管理には「Gemini Robotics ER」が当たり、手や腕の動作は「Gemini Robotics 2.5」が担った。
Apptronikのジェフ・カルデナスCEOは、The Decoderの報道によると、数週間の事後学習でモデルの性能が大きく向上し、性能をほとんど落とさずにメルセデス・ベンツの生産に移行できたと述べた。Ars Technicaは、96%は製造業者が必要とする水準にはおそらくまだ届いていないと指摘した。また、DeepMindのディレクターであるカニシュカ・ラオの発言を引用し、残る差を埋めるのは「険しい道」だとした。
DeepMind Roboticsのカロリナ・パラダ責任者は、汎用ロボットを開発する際のトレードオフについて説明した。
「特定の用途で非常に高い性能を発揮することも、汎用性を犠牲にすれば可能だ。あるいは汎用性の向上だけを追求すれば、すべての用途で99.9%に届かないかもしれない。」
シミュレーションによる学習データの生成
ロボットの学習データは、チャットボット向けのテキストに比べて不足している。両報道によると、DeepMindは言語モデル「Gemini 4 Argon」をシミュレーションエンジンとして使用した。Argonは、実際のカメラ映像をもとに数千回のシミュレーション実行を生成し、デジタルツインを作成できるという。同社はこれを実世界でのデモンストレーションと組み合わせ、ロボットが新しい場面や物体に適応できるようにした。
Ars Technicaによると、2.5モデルは依然としてクラウド上のサーバーで動作しており、精度と速度の向上には遅延が伴う。
安全性ベンチマーク
DeepMindによると、このモデルはリアルタイムの推論により危険を回避する。進路を塞ぐものがあれば停止または待機する。同社の評価では、障害物の近くでの安全なタスク完了率は33%、人の近くでは43%向上した。
同社はまた、オープンソースのベンチマーク「ASIMOV-Jailbreak」をHugging Faceで公開した。安全でない要求を偽装したプロンプトを集めたもので、ロボットモデルが騙されて危険な動作をしないかを検証する。両媒体で規模と結果は異なる。Ars Technicaは1500件のプロンプトと、Argonで98.8%、Gemini Robotics ER 2で73.5%の安全性水準を挙げた。The Decoderは数百件のプロンプトと、99.5%対82%を挙げている。
Gemini Robotics 2.5は一般向けには提供されていない。ロボティクス分野のパートナー企業への展開が進められている。Ars Technicaは、Agile Robots、Apptronik、Boston Dynamicsを挙げ、The Decoderは、Agile、Apptronik、メルセデス・ベンツを挙げている。
