Gemini Robotics 2は「歩くAI」ではない──全身制御を本番運用へ入れるための境界設計

「ロボットが棚の下へしゃがみ、物をつかみ、立ち上がる」。Gemini Robotics 2の発表で目を引くのは、このような全身を使う動作です。Google DeepMindは、脚から指先までを制御できるVision-Language-Action（VLA）モデルとして位置付けています。モデル紹介によれば、Apolloヒューマノイドでの床からのピックアップ成功率は45.7%、棚からは76.3%でした。いずれもGoogleが定義した条件での公式評価値です。

ただし、IT技術者が注目すべき変化は「ロボットに脚が生えた」ことではありません。言語による指示、環境の認識、行動の分解、関節の制御、物理的な停止を、一つの本番システムとして結ぶ必要が出てきたことです。

画面の中のAIエージェントなら、誤った操作はロールバックや人の確認で回収できる場合があります。しかし、実世界のロボットでは、出力がそのまま移動、把持、接触という物理現象になります。モデルの成功率だけで導入可否を決めるのではなく、どの判断をAIに委ね、どこで独立した安全系へ渡し、何を証跡として残すかを先に設計しなければなりません。

全身制御で何が変わるのか

従来の卓上ロボットでは、主に「カメラで物を認識し、腕とグリッパーでつかむ」範囲を扱います。全身制御では、そこに足、腰、重心、周囲の人との距離が加わります。

指示: 「低い棚から容器を取り、台へ置く」
  ↓
推論: 対象・順序・作業可否を判断
  ↓
行動計画: 接近、しゃがむ、把持、立つ、運ぶ、置く
  ↓
VLA: 映像と言語から連続的な関節・移動の指令を生成
  ↓
ロボット制御器: 速度、トルク、姿勢、接触を制御
  ↓
独立した安全系: 非常停止、立入検知、速度制限、衝突回避

この一連は、単一モデルの「賢さ」だけでは完結しません。たとえば、棚に近づく際に作業者が通路へ入ったとき、VLAが次の行動を再計算する前に、低レイヤーが減速または停止できる必要があります。安全上の停止判断を、クラウド上の推論結果や自然言語の安全ポリシーだけに依存させないことが重要です。

Google自身も、Gemini Robotics ERの開発者向けドキュメントで、生成AIは誤ることがあり、ロボット環境の安全維持は利用者の責任だと明記しています。Gemini Robotics ERの安全に関する記述は、物理的な安全対策をモデル機能の代替にしない前提を示しています。

「考えるモデル」と「動かすモデル」を分ける

Gemini Roboticsの系統では、高位の推論を担うGemini Robotics ERと、行動を担うVLAを組み合わせる構成が示されています。ER 2は、画像・動画・音声と言語指示から空間関係を扱い、関数呼び出しを通じて長いタスクを複数の手順へ分解できます。公式ドキュメントでは、gemini-robotics-er-2-preview とストリーミング用プレビューが案内されています。一方、Gemini Robotics 2のVLA本体はプライベートプレビューです。モデル情報

この構成をそのまま「AIが自律的に全部行う」と読む必要はありません。むしろ、責任境界を切る機会です。

層	主な役割	本番で固定すべき境界
業務オーケストレーター	指示の受領、作業票、承認、優先順位	実行してよい作業・場所・時間帯
推論モデル（ER）	物体認識、状態推定、手順分解、進捗判定	呼べるツール、返せる操作候補、確信度の扱い
行動モデル（VLA）	観測から移動・把持などの行動を生成	速度・到達範囲・力・許容する動作プリミティブ
実時間制御器	軌道追従、姿勢維持、接触制御	タイムアウト、指令の妥当性検査、フェイルセーフ
独立安全系	非常停止、立入監視、保護停止	AIやネットワークが故障しても動作すること

特に、推論モデルにロボットAPIを直接・無制限に公開しないことが大切です。move_to(x, y) や grasp() のような低レベル関数を自由に呼ばせる代わりに、許可された作業セル、物体カテゴリ、速度上限を含んだ「作業チケット」を発行し、その範囲だけで動く操作APIにします。

悪い例:  推論モデル → 任意の座標へ移動するAPI
良い例:  推論モデル → 「セルA内で容器SKU-42を台Bへ」作業要求
                         ↓
          ポリシー検査 → 人員在席、立入状態、対象、速度上限を確認
                         ↓
          実行器       → 承認済み動作プリミティブだけを起動

この設計なら、プロンプトの誤解、映像認識の取り違え、API呼び出しの異常を、物理動作へ到達する前に拒否できます。

成功率はSLOではない

Gemini Robotics 2の公式ページには、ApolloとInspire handsでの全身操作、ApolloとSharpa handsでの多指操作、Franka Duoでのグリッパー操作という別々の評価が並びます。たとえば、電球を「外す」は92%、「取り付ける」は36%です。評価グラフは、同じ物体でも初期姿勢や位置合わせが成否を大きく左右することを示唆します。

だから、これらを「ロボットの正答率」として調達仕様へ転記してはいけません。現場のSLOには、少なくとも次を分けて置きます。

• タスク完了率: 正しい対象を、損傷なく、所定の場所へ置けた割合
• 安全停止率: 不確実・危険な状況で、危険な動作の前に止まれた割合
• 不要停止率: 安全上は問題ないのに作業を止めた割合
• 人手引き継ぎ率: 介入が必要な状態を適切に通知できた割合
• 復帰率: 停止後に、人の承認を得て安全に作業へ戻れた割合
• 観測品質: カメラ遮蔽、時刻ずれ、センサー欠損を検知できた割合

安全系は、停止を増やせばよいわけでもありません。ASIMOV Benchmark v2は、物理世界でのAIには直接かつ即時の危害があり得るとし、その評価対象を「危険を知覚し介入できるか」に置いています。誤停止による稼働率低下と見逃しによる事故リスクを、同じ運用指標で観測し、用途ごとの許容域を定める必要があります。

評価セットを「作業の再現」から「変更への耐性」へ広げる

本番に近い評価で重要なのは、デモ動画と同じ作業をもう一度成功させることではありません。変化にどこまで耐え、どこで停止すべきかを測ることです。

変化	テストに入れる例	期待する振る舞い
対象物	色・反射・重さ・把持面が異なる	対象確認をやり直すか、人へ引き継ぐ
空間	棚位置、通路、照明、床の摩擦が異なる	速度を下げる、再計画する、停止する
人	人が横切る、共同作業者が近づく	独立安全系が先に保護停止する
センサー	カメラ遮蔽、遅延、時刻ずれ	指令を保持せず、タイムアウトで安全側へ倒す
システム	API遅延、ネットワーク断、モデル更新	ローカル安全制御へ退避し、再承認まで再開しない

この評価をリリースごとに回すため、データセット、モデル、プロンプト、行動プリミティブ、ロボットのファームウェア、評価環境を一つのリリース記録にします。「VLAの重みだけを更新した」という管理では、再現もロールバックもできません。

release-2026-08-robot-cell-a
  ├─ VLAモデルとハッシュ
  ├─ ERモデル名・プロンプト・ツール定義
  ├─ データセット版・ラベル規約
  ├─ ロボット機体・手先・制御器・ファームウェア
  ├─ 安全パラメータ（速度、力、立入エリア）
  ├─ シミュレーション／実機評価の結果
  └─ 承認者、適用時刻、ロールバック先

ログは「学習用」より先に、事故調査と停止判断のために残す

実世界のAIでは、失敗映像を集めて再学習するだけでは不十分です。問題が起きたときに、「何を見て、誰が何を承認し、どの安全装置が止めたか」を時系列で説明できなければなりません。

最低限、次を相関ID付きで保存します。

• 受け取った作業指示と承認状態
• 推論モデルが返した対象・手順・確信度・ツール呼び出し
• カメラやセンサーの健全性、遅延、欠損
• VLAの指令と、制御器が実際に受け付けた指令
• 保護停止、非常停止、人の介入、復帰承認
• モデル・データ・設定のリリースID

ただし、常時録画には作業者の姿、音声、業務上の機密が含まれます。保持期間、閲覧権限、目的外利用の禁止、学習への二次利用の可否を、ログ仕様に含めます。ログを「AI改善の燃料」とだけ扱うと、現場の協力と監査可能性を同時に失います。

日本のフィジカルAI政策は、モデル調達ではなく「現場データを使い続ける基盤」の話

この論点は海外モデルの追随だけではありません。経済産業省とNEDOは2026年6月、「AIロボット・フィジカルAIを見据えたマルチモーダル基盤モデル開発事業」を開始しました。事業期間は2026年度から2030年度です。経済産業省は、製造・物流・サービスなどの現場データを守りながら利活用し、国産のマルチモーダル基盤モデルを育てることを狙いに掲げています。

ここでいうフィジカルAIは、テキストを生成するだけのAIではありません。内閣府・経済産業省のAI・半導体WG資料では、画像・音声・動画・各種センサーを統合し、ロボットなどの身体を通じて現実世界を理解し、自律的に動作するAIと整理されています（同資料では自動運転を除外）。Gemini Robotics 2のようなVLAは、その技術的な一例として捉えられます。

日本の強みを「工場が多いから学習データも多い」と単純化するのは危険です。製造現場の映像、設備の稼働状態、作業順序、不良情報、保全の知見には、取引先の機密、個人の技能、操業上の安全情報が混在します。使えるデータへ変えるには、収集量より前に次を決める必要があります。

• データ提供の境界: 生映像・センサー値・作業手順・品質記録のうち、どこまでを共有、匿名化、持ち出し禁止にするか
• 目的と再利用: 現場改善用、個社モデル用、共同研究用、汎用基盤モデル用を同じ同意で混ぜない
• 学習・評価の分離: 提供企業の評価データを学習へ戻さず、導入後も性能劣化を検知できるようにする
• 成果と責任の配分: モデル提供者、ロボットメーカー、SIer、現場運営者のうち、データ品質、安全検証、事故時の一次対応を誰が担うか契約と運用で明示する
• 撤回と廃棄: データ利用の終了時に、原データ、派生データ、埋め込み、学習済みモデルをどこまで削除・利用停止できるかを事前に定義する

このため、日本のフィジカルAIで価値になるのは、国産モデルというラベルだけではありません。現場ごとの制約を保ったまま、収集、匿名化、品質検査、評価、限定展開、監査を反復できるデータ・運用基盤です。経済産業省のAIロボティクス戦略に関する資料も、競争軸がモデル性能だけでなく、コンピューティング、制御、駆動、知覚を統合する「統合力・運用力」へ移ると整理しています。

したがって、海外VLAを使うか、国内の基盤モデルを使うかは二者択一ではありません。現場側はどちらの選択でも、データ来歴、評価セット、動作権限、安全停止、監査ログを移植可能な形で持つべきです。それができて初めて、モデルを更新・併用・切り替えながら、現場の改善を止めずに進められます。

導入は「自律度」を一段ずつ上げる

全身制御モデルが使えるからといって、最初から自由歩行と自律判断を有効にする必要はありません。私は、移動範囲と行動の自由度を分離して増やす導入を勧めます。

1. 固定セル・単一品目・人の立入なし
   • 動作プリミティブを限定し、失敗・停止・復帰ログを集める。
2. 固定セル・品目のばらつきあり・監督者常駐
   • 対象物と照明などの変動を評価し、人が承認して再開する。
3. 限定された移動・作業票に基づく実行
   • 地図、立入エリア、速度、時間帯をポリシーで固定する。
4. 複数タスクのオーケストレーション
   • ERによる手順分解は使うが、作業境界を越える要求は人へ戻す。

段階を上げる判断材料は、モデルのデモ映像ではありません。各段階で定めた安全停止率、見逃し、誤停止、介入時間、復帰の品質、データ来歴が説明できるかです。

まとめ: VLAを安全装置にしない

Gemini Robotics 2は、全身制御と複数のロボット形態への適応を前進させた発表です。ただし、公式の成果値は特定の機体・タスク・評価条件におけるものであり、あらゆる現場での自律運転を保証するものではありません。

IT技術者にとっての実務課題は、モデルの能力を賞賛することではなく、次の境界を実装することです。

• 推論、行動、実時間制御、物理安全を分離する
• AIが呼べる操作を、承認済みの作業チケットと動作プリミティブへ制限する
• 成功率だけでなく、安全停止・見逃し・人への引き継ぎ・復帰をSLOにする
• モデル、データ、制御、評価環境、安全設定を同じリリースとして管理する
• AIやネットワークが故障しても働く、独立した停止系を用意する

日本のフィジカルAI政策が目指す「現場データを生かす」ことも、この境界設計なしには実現しません。データを集めることと、継続して安全に使えることは別の能力です。

ロボットが脚を動かせるようになるほど、ソフトウェア側には「どこまで動かしてよいか」を決める仕事が増えます。全身制御の進歩を本番価値へ変えるのは、VLAそのものではなく、その周囲に置く権限、評価、停止、復帰、監査の設計です。

作成日: 2026年8月14日