ロボットがホワイトボードの指示を読み取り、計器の数値を報告する。研究段階の夢ではなく、Boston Dynamicsの四足ロボットSpotが現場で動き始めています。
この記事では、Google DeepMindが発表したGemini Roboticsモデルファミリーの全体像と、Spotへの商用統合の内容を整理します。
この記事でわかること
- Gemini Robotics 1.5の2モデル構成と3つの技術革新
- Boston Dynamics SpotへのGemini統合の具体的な変化
- 開発者がAPIで試せるGemini Robotics-ER 1.6の位置づけ
研究から現場へ移ったロボットAI
Google DeepMindは、汎用ロボット向けの基盤モデルファミリー「Gemini Robotics 1.5」をarXivに公開しました（論文）。従来のロボットソフトウェアは、タスクごとに個別の学習やプログラミングが必要でした。新しいモデルファミリーは、自然言語の指示を解釈し、物理空間での行動を計画・実行する設計です。
同時期、Boston Dynamicsは自社の四足ロボットSpotと管理ソフトウェアOrbitに、GoogleのGeminiモデルを統合すると発表しました。発電所や建設現場、倉庫などでSpotがすでに使われている文脈で、研究発表が商用プラットフォームに載った事例として注目を集めています。
Gemini Robotics 1.5の2層アーキテクチャ
https://deepmind.google/models/gemini-robotics/
Gemini Robotics 1.5は、役割の異なる2つのモデルで構成されます。
Gemini Robotics-ER 1.5（Embodied Reasoning） は高次の推論を担います。視覚・空間理解、タスク計画、進捗の判定が主な機能です。ロボットの「頭脳」として、複数ステップの作業を分解し、Google検索などのツールを呼び出して情報を補完します。
Gemini Robotics 1.5（VLA） は低次の動作制御を担います。VLA（Vision-Language-Action）は、映像と言語指示を受け取り、モーターへの動作命令に変換する方式です。視覚で「見」、言語で「理解」、動作で「実行」する3要素を1つのモデルに統合しています。
論文では3つの技術革新が示されています。
Embodied Thinking（身体性思考） は、動作の前に自然言語で内的推論を挟む仕組みです。「青いセーターを拾う」という指示に対し、「グリッパーを左に動かす」「グリッパーを閉じる」といった細かい動作計画を内部で生成してから実行します。複数ステップのタスク分解と、ユーザーへの説明可能性の両方を高めます。
Motion Transfer（モーション転移） は、異なるロボット間で学習した動作スキルを共有する仕組みです。ALOHA、Bi-arm Franka、Apptronik Apolloといった形状の異なるロボットのデータを統合学習し、1つのチェックポイントで複数のロボットを制御します。新しいロボット向けに個別学習をゼロから行うコストを下げる狙いがあります。
Embodied Reasoningの強化 として、Gemini Robotics-ER 1.5は空間推論ベンチマークで先行モデルを上回る性能を報告しています。ただし、arXivのプレプリントは査読前の論文であり、商用環境での再現性は別途検証が必要です。
Spotへの統合で変わること
Boston Dynamicsは、Spotの視覚検査機能「AIVI-Learning」にGeminiとGemini Robotics-ER 1.6を組み込みました。AIVI-Learningは、施設内の資産監視や安全点検をSpotのカメラ映像から自動化する機能です。
統合前の課題は、産業現場の複雑さへの対応力でした。単純な物体認識では、圧力計の針の読み取りや液面計の水位判定、デジタルディスプレイの数値確認といった高度な視覚分析に限界がありました。Geminiの推論能力により、5S監査、レバー検出、パレット数え、液体の溜まり検知などの検査精度が向上するとBoston Dynamicsは説明しています。
運用面でも変化があります。ゼロダウンタイムアップグレード により、AIモデルの更新をクラウド側で行い、現場のOrbitソフトウェアを手動更新しなくても検査精度が改善されます。透明な推論表示 では、AIVIのプロンプトに対するモデルの解釈過程と論理ステップをユーザーが確認できます。現場オペレーターがAIの判断根拠を検証しやすくなる設計です。
2026年1月には、ヒューマノイドロボットAtlasにもGemini Robotics基盤モデルを適用する提携を発表済みです。四足ロボットとヒューマノイドの両方に同じAI基盤を展開する方針が見えます。
Gemini Robotics-ER 1.6の新機能
https://blog.google/innovation-and-ai/models-and-research/google-deepmind/gemini-robotics-er-1-6/
2026年4月、Google DeepMindは推論モデルの後継「Gemini Robotics-ER 1.6」を公開しました。空間論理とマルチビュー理解を強化し、複数カメラの映像を統合してタスク完了を判定する能力が加わっています。
最大の追加機能は計器読み取り（Instrument Reading） です。円形の圧力計や透明な液面計（サイトグラス）から数値を読み取る能力で、Boston Dynamicsとの共同開発によって実現しました。Google DeepMindは、このモデルが敵対的な空間推論タスクにおける安全ポリシー遵守で、これまでのロボット向けモデルを上回ると報告しています。
開発者向けには、Gemini APIとGoogle AI Studioから gemini-robotics-er-1.6-preview として利用可能です。1.5から1.6への移行は、API呼び出しのモデル名を差し替えるだけで済みます（公式ドキュメント）。
現場導入で残る課題
研究ベンチマークと商用現場の間には、依然としてギャップがあります。Gemini Robotics 1.5の論文自体にSpotやBoston Dynamicsへの言及はなく、四足ロボットへの統合は二次報道と企業発表に基づく部分があります。
SpotはLiDAR、ステレオカメラ、関節センサーを備えていますが、汎用VLAモデルを特定ロボットのアクチュエータに接続するエンジニアリングの詳細は公開されていません。粉塵、電磁ノイズ、天候といった現場条件がセンサー品質を下げるケースへの耐性も、論文の評価環境とは異なります。
自然言語指示の解釈ミスは安全リスクに直結します。誰が指示を出せるか、コマンドのログ記録、安全範囲外の動作を防ぐフェイルセーフの設計が、導入企業のポリシー整備を求めます。Google DeepMindも公式ドキュメントで、生成AIモデルは誤りを起こし得るため、ロボット周辺の安全確保は利用者の責任であると明記しています。
ロボティクスとAIの接点が動き出した
Gemini Robotics 1.5は、推論と動作制御を分離し、異なるロボット間でスキルを転移する設計で、汎用ロボットの方向性を示しました。Boston Dynamics Spotへの統合は、その研究が産業検査という具体的な用途に着地した最初の大きな事例です。
今後の注目点は、現場でのゼロショットタスク完了率と、オペレーターの介入頻度です。デモ映像の印象より、故障時のダウンタイムと運用コストが購入判断を左右します。研究と商用の橋渡しが成功するかどうかは、これからの実績データが示します。