2026年11月10日、Google DeepMindはGemini Robotics 2.5を発表するとともに、同日に工場での検証データを公開した。ApptronikのApollo 2人型ロボットに同モデルを搭載し、メルセデス・ベンツのハンガリー・ケチケメートおよびドイツ・ジンデルフィンゲンの実稼働生産ラインで自動車部品キットの仕分け作業を行い、成功率96%を達成した。これは実際に稼働中のラインでの実測結果である。
工業的な文脈において96%の成功率とは、100回の把持動作のうち4回が失敗することを意味する。タクトタイムの厳しい最終組立ラインでは、1回の失敗によるライン停止のコストは再試行コストをはるかに上回る。Google DeepMindは公式ブログにおいて、今回の試験を「概念実証（Proof of Concept）」と位置づけている。
デュアルモデルアーキテクチャ：推論と動作の分業
Gemini Robotics 2.5は技術的にデュアルモデルアーキテクチャを採用している。Apollo 2がベンツの生産ラインで稼働する際、Gemini Robotics ERがワークフロー全体の追跡を担当する——タスクの順序の理解、現在のステップの判断、周囲の作業員や障害物の認識などだ。一方、Gemini Robotics 2.5の動作モデルが推論結果をアームと指の精密な動作命令へと変換する。
高レベルの推論はレイテンシへの許容度が高く、低レベルの動作制御はリアルタイム性への要求が厳しい。両者を分離することで、推論モデルはクラウド上でより複雑な思考チェーンを実行でき、動作モデルはローカルでより低いレイテンシで物理世界の変化に応答できる。モデルの開発段階ではGemini 4 Argonをシミュレーションエンジンとして使用し、一部の訓練データは合成環境から取得することでデータ収集コストを大幅に削減した。
0%から62%へ：前世代にはできなかったタスクが、今はできる
モデルを評価する上でより価値ある指標は、前世代モデルが完全に失敗していたタスクでの性能だ。Gemini Robotics 2.5は200項目以上の巧緻性タスクテストにおいて、全体の成功率がGemini Robotics 2と比べて30%〜100%向上し、タスク完了速度は20%〜30%改善された。具体的なタスクのデータは以下の通りだ：
- 食品トングを使った菓子類の扱い：5%から100%へ向上
- ギフトボックスのリボン解き：0%から70%へ向上
- カーディガンのハンギング：0%から62%へ向上
前世代モデルはこれらのタスクをまったくこなせなかった。柔軟物体の操作、非構造化把持、動的ターゲットへの対応は、ロボット操作における三大難題であり続けてきた。上記の数値を見る限り、Gemini Robotics 2.5は一部の次元において「使用不可」と「使用可能」の境界を越えたと言える。
安全性：99.5%のジェイルブレイク耐性はどこから来るのか
純粋なソフトウェアAIとは異なり、物理的なロボットの安全上の失敗がもたらすコストは現実の被害だ。Google DeepMindはASIMOV-Jailbreakベンチマーク（Hugging Faceで公開済み）を発表し、Gemini Robotics 2.5は同ベンチマークで99.5%のジェイルブレイク耐性を達成した。従来のベースラインは82%であった。
障害物の近くでタスクを実行する際の安全率は33%向上し、作業員がいる環境では43%向上した。これら2つの指標は、工場における人間との協働シナリオの核心的な要件に直結している——ロボットは人間と機械が混在するラインで稼働できなければならない。
誰が使えるのか？パートナー制による閉鎖的なロジック
Gemini Robotics 2.5は現在、Google DeepMindのロボットパートナーに段階的に開放されており、確認済みのパートナーにはApptronik、Agile Robots、Boston Dynamicsが含まれる。発表には汎用APIアクセスの経路、ウェイティングリスト、価格情報についての言及はない。
ロボットAI分野における「パートナー優先」の配布戦略には特有の理由がある。VLAモデルの性能は特定のロボットハードウェアの運動学パラメータ、センサー構成、制御インターフェースに強く依存する。ApptronikのApollo 2は22自由度のSharpaWaveハンドを搭載し、Franka Duoは二指グリッパーを使用している——同一モデルでも2種類のハードウェアで異なる適応が必要だ。閉鎖的なパートナーモデルは実質的に、ハードウェア適応コストをパートナーに転嫁するものだ。
Apptronikは声明で次のように述べている。「これこそが私たちがApolloを構築した目的です：実際の産業現場で人間と肩を並べて働くこと。Gemini Roboticsと組み合わせることで、わずか数週間のポストトレーニングでモデルが顕著に向上し、ごくわずかな性能低下でメルセデス・ベンツの生産ラインに移行できることを確認しました。」
Apptronikの声明が「ポストトレーニング」と「ごくわずかな性能低下」に言及していることは、実験室から生産ラインへの移行において性能の劣化が存在することを示唆している——ただし許容範囲内に収まっているということだ。これはロボットAIの実用化における共通の課題だ。シミュレーション環境で訓練されたモデルが、実際の物理世界のノイズ、照明の変化、部品のばらつきに直面すると、性能が低下しやすい。
競争の構図：フィジカルAIの時間的窓が狭まっている
Google DeepMindがGemini Robotics 2.5の初展開先として家庭や医療の場ではなく工場を選んだことは、現在のフィジカルAI競争の現実を映し出している。工業シナリオはタスク定義が明確で、成功基準が定量化でき、エラー許容コストが相対的にコントロールしやすく、VLAモデルが検証可能なビジネスケースを最も形成しやすい入口だ。
産業チェーンの観点から見ると、ロボットハードウェアメーカーが今回の発表の直接的な受益者だ——公開引用可能な「工場での96%」という数字を手に入れたことで、Apptronikは工業顧客へのApollo 2の販売においてこれまでになかった交渉力を得た。メルセデス・ベンツのような完成車メーカーにとっては、このパイロットプログラムは低リスクなAIサプライヤー評価の入口を提供している——たとえこの協力関係が最終的に規模拡大しなかったとしても、人型ロボットの信頼性の限界についての一次データが蓄積されるからだ。
パートナーリストに入れなかったロボット開発者にとって、短期的にできることは自社モデルやオープンソースのVLAフレームワーク上での継続的な反復開発を続けながら、Googleがより広範なアクセスチャネルをいつ開放するかを注視することだ。Google DeepMindが2027年の開発者カンファレンスでGemini RoboticsのAPIアクセス計画を発表すれば、フィジカルAIが閉鎖的なパートナーモデルからプラットフォーム化へと移行する明確なシグナルとなる。もう一つのシグナルは、96%の成功率がより多くの工場シナリオで再現できるかどうかだ——ベンツ以外の2社目、3社目の完成車メーカーが同様のデータを開示して初めて、これが特定の生産ラインに向けた深い最適化の一度限りの結果でないことが証明される。
現段階において、Gemini Robotics 2.5の最も正確な位置づけは次の通りだ：工業利用可能な閾値を越えたプロトタイプであるが、「接続してすぐ使える」プラットフォーム製品になるまでには、まだ複数の量産サイクル分の距離がある。残る4%こそが、商業化のペースを本当に左右する戦場だ。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接