卓上から全身へ：Gemini Robotics 2が実際にもたらす変化

コラム概要

7月30日、Google DeepMindは最新世代のGemini Roboticsを発表した。このニュースを「Googleのロボットが全身を使えるようになった」と書くのが簡単なアプローチだ。それは事実だが、この件について書ける文の中で最も面白くない文でもある。より有用な問いは、なぜ過去の世代の汎用ロボットモデル（Googleのものも含む）はすべて腰のあたりで止まっていたのか、そしてその限界を超えるために内部で実際に何を変える必要があったのかということだ。答えはモデルを大きくすることではない。ロボットが一つのまとまったものとして行動するために、いくつのモデルが必要かという異なる考え方である。

卓上の限界は野心の問題ではなかった

以前のGemini Roboticsのリリースは、操作において本当に優れていた。何かを拾い上げ、回転させ、正確な場所に置き、物体が滑った場合は即座に掴み方を調整する。それらが構築されていなかったのは、同時に、左に3歩進むべきか、手を伸ばす前にしゃがむべきかを判断することだった。移動と操作は事実上、一体のロボットに同居する二つの異なる問題だった。それはGoogleの想像力の欠如ではない。卓上のデモンストレーションデータでポリシーを訓練したときに起こることだ。アームは、固定されたベースの前方にある限られた空間において並外れて優れることを学習する。アームが繊細な作業をしている間、バランスや足の配置、重心がどこにあるかも同時に管理するよう求めれば、訓練データに含まれていなかった連携の問題を抱えることになる。

全身の連携は単純な足し算ではない

直感的な仮定は、あるモデルが歩くことができ、あるモデルが掴むことができるなら、それらを組み合わせるのは主にエンジニアリングの課題だということだ。そうではない。なぜなら、歩くことと掴むことは同じリソースを奪い合うからだ。つまり、ロボットの体重がどこにあり、転倒するまでにどれほどの余裕があるかである。低い棚に手を伸ばすヒューマノイドは、膝を曲げ、腰を後ろに移動させ、手が行き過ぎないように胴体を十分に安定させなければならない。そのすべては、掴み上げているものがバランスをとっている体重分布を積極的に変えている間に行われる。それは並行して実行される2つのスキルではなく、1秒間に何十回も更新される、両者間の継続的な交渉である。Google自身の「全身の知能」の説明、つまり歩く、しゃがむ、腕を伸ばす、操作するために必要なすべての動きを連携して推論するという説明は、ナビゲーションスタックと操作スタックを縫い合わせるという古いアプローチでは決して到達できなかったことの素直な認めだ。シーケンス全体を1つの意思決定として扱うものが必要であり、互いが何をしているか知らない2つのシステム間の引き継ぎではない。

3つのモデルこそが真の設計宣言

デモ映像よりも雄弁なのは、Googleがこれを解決するために1つのより大きなモデルを出荷しなかったことだ。3つのモデルを出荷し、それぞれが他のモデルが構造上できない仕事をこなしている。Gemini Robotics 2は、ロボットが見聞きしたことを実際の運動コマンドに変えるビジョン・言語・アクションモデルであり、足先から指先までを制御する。これはハードウェアに近く、高速で実行されなければならないレイヤーだ。Gemini Robotics ER 2はその上に位置する身体化推論レイヤーである。数分間にわたる複数ステップのタスクを計画し、別々のロボット間の引き継ぎを調整し、注目すべきは、近くの人間の検出が向上したことだ。これは能力の向上に見せかけた安全機能である。そしてGemini Robotics On-Device 2がある。これはネットワーク接続なしで実行するために構築された圧縮版であり、最も驚くべき数字が付随している。数時間、多くの場合200未満の事例で、新しい双腕ロボット本体に適応できる。

スタックとして読み解けば、これは単一のモデルが高速な反射神経、長期的な計画、そしてオフラインで動作する汎用性を同時に担うことはできないというGoogleの認めである。これらは互いにトレードオフの関係にある3つの異なるエンジニアリング上の制約であり、1つのモデルで3つすべてを満たせると見せかけることは、反射としては遅すぎ、計画には硬直しすぎる結果を招く。オンデバイスモデルの数百の事例による適応期間は、おそらく発表全体の中で商業的に最も重要な部分である。なぜなら、「ロボットを構築した」と「ロボット工学企業が何ヶ月もの再訓練なしに自社のハードウェアに搭載できるものを構築した」の違いだからだ。

クロスプラットフォームへの賭け

それはGoogleが誰と協業しているかによって補強されている。ApptronikのApollo 2、Frankaの双腕Duo、Boston Dynamics、Agile Robots、さらにDexmate、SO101、そしてTrossenだ。それは究極のロボット本体を構築する計画であれば集めるようなパートナーのリストではない。それはどのハードウェアが勝者になろうとも、その下で動作する知能レイヤーになるという計画であれば集めるパートナーのリストだ。スマートフォンメーカーに対するAndroidでGoogleがとったのと同じポジショニングを、まだハードウェアの勝者が決まっていない市場に適用したものである。Apollo 2が部屋を横切り、じょうろを見つけ、低い棚の正しい色分けされたゴミ箱にそれを置くというデモは素晴らしい見世物だが、複数ロボット間の引き継ぎ、つまりApollo 2とFranka F3 Duoが求められていることの共有された意味的理解を通じてタスクを分割するという部分こそが、クロスプラットフォームの主張を実際に裏付けるものだ。2つの異なるメーカーのロボットが、カスタムの統合コードの代わりに共有された推論レイヤーを通じて連携できるなら、それこそがGoogleが実際に販売している製品である。

成功率が実際に語っていること

さて、見過ごすべきではない部分だ。Google自身が公表した数字によると、全身の操作成功率はタスクによって45.7%から76.3%であり、グリッパーベースの精密なタスク（挿入など）は約89.6%で頭打ちとなり、多指の器用な操作は32%から92%の範囲にある。これらは研究デモとしては恥ずかしい数字ではなく、生産での信頼性を示す数字でもない。その両方が同時に真実である。それらの背後にあるパターンは、単一の数字よりも情報量が多い。タスクが機械的に単純で反復可能な場合（グリッパーがペグを挿入するなど）、精度は問題なく維持される。一方、ロボットが十分な回数見たことのない形状を持つ物体に対して多くの指を連携させる必要があるタスクでは、精度は崩壊する。同じ大まかなカテゴリーのタスクで32%から92%の幅があるということは、現在のモデルの能力が極めてタスク固有であり、「全身の知能」という枠組みが見出ししか読まない人に暗示するかもしれないような汎用的なものではないことを意味する。これはこれほど新しいシステムにとっては正常な立ち位置である。また、Googleが単一の自信に満ちた数字ではなく、ベンチマークの範囲を公表している理由はまさにこれである。これは証拠を伴う能力のデモンストレーションであり、これらのロボットが倉庫で監視なしに稼働する準備ができているという主張ではない。

実際に変わったこと

このリリースを正直に要約すれば、Googleは身体化ロボティクスを解決したわけではない（誰も解決していない）が、「次に何をすべきか」「どれだけ正確に手を動かすか」「ネットワーク接続なしで実行できるか」という課題を、1つのモデルに3つすべてを中途半端にこなさせるのではなく、3つのモデルに分割するという特定のアーキテクチャ上の問題を解決したということだ。今後のリリースで成功率の数字がどう動こうとも、おそらく維持されるのはこの部分だ。卓上の限界は、本当に優れた掴むことに関するものではなかった。それは移動と操作が同じ意思決定であるようなシステムをこれまで構築したことがなかったことに関するものだった。これがそれらが同じ意思決定となる初めてのバージョンであり、ベンチマークの幅はそれが新しいことの正直な代償である。