何が起きたか
Google DeepMindが7月30日、ロボット向けのAIモデル「Gemini Robotics ER 2」を発表した。位置づけは「ロボットの司令塔となる高レベルの頭脳」で、周囲の空間を理解し、人と会話し、複数手順の作業を計画したうえで、実際に手足を動かす下位のAIモデル（VLA）やロボットのAPIに指示を出す役割を担う。
今回の目玉は「動画を見ながら作業の進み具合を判断する力」。電球を締める・ゴミ袋を縛るといった作業を映像で追い続け、どこまで進んだか（0〜100%を5段階で判定・正解率57.4%）、いつ完了したか（重要な瞬間を捉える精度91.3%）を測れるようになった。数字だけ見ると発展途上だが、これによってロボットは失敗にその場で気づき、最初からやり直さずに立て直せるという。
複数のロボットが役割分担して連携する仕組みも新しく加わった。デモでは、Boston DynamicsのSpotが「ポップコーンを持ってきて」という指示でAPI経由で動く様子や、ApptronikのヒューマノイドApollo 2が別のロボットと連携する様子が公開されている。人が近づくとロボットを一旦止め、離れたら再開する安全機能も強化された。
提供は開発者向け。Gemini APIとGoogle AI Studio経由でエンジニアが試せる段階で、企業向けの「Gemini Enterprise Agent Platform」はまだ限定公開にとどまる。
生活で何が変わるか
ここは正直に書いておきたい。今回発表されたのは開発者向けのAIモデルで、家庭用ロボットが急に賢くなって明日から家事を手伝ってくれる、という話ではまったくない。今のところ私たちが直接触れるものではないと思っておいたほうがいい。
ただ、「ロボットが自分の作業の進み具合を映像から判断できる」というのは地味に大事な一歩だと感じる。これができないと、ロボットは指示されたことを機械的にこなすだけで、途中で何かがズレても気づけない。この手の"状況判断力"が育ってくるほど、将来家庭に来るかもしれないロボット（掃除・片付け・見守り系）の実用化が一歩ずつ近づく、という土台の話として見ておくとちょうどいいと思う。
マスターの一言
57.4%と聞くと、ロボットが動画を見て今どのくらい進んだか当てる精度がその程度、というのが今の実力で、まだ発展途上なのが正直なところだと思う。一方で「重要な瞬間を捉える精度91.3%」のほうは結構実用に近い数字だなと感じた。うちにロボットが来る日はまだ先だけど、こういう地道な積み重ねの先にあるんだろうな、というくらいの距離感で見ている。