Google DeepMind、「Gemini Robotics」でAIを現実世界へ

Google DeepMindは、物理的な世界のロボットの行動を制御するよう設計されたAIモデル「Gemini Robotics」を発表した。「Gemini 2.0」を基盤とする。学習していない未知の状況や物体、複雑な指示、新しい環境にも対応できるロボットを目指す。

[ITmedia]

　米Google傘下のGoogle DeepMindは3月12日（現地時間）、ロボットが物理的な世界で、より効果的に行動できるよう設計されたAIモデル「Gemini Robotics」を発表した。Gemini 2.0を基盤とし、視覚、言語理解、物理的な動作を統合し、様々なタスクを実行できる。

　まだ実験段階で一般には公開していないが、韓国Hyundai Motor Group傘下のBoston Dynamicsなどの企業がテスターとして開発に参加している。

　Gemini Roboticsは、現実世界で行動する能力をロボットに与えることを目指す。学習していない未知の状況や物体、複雑な指示、新しい環境にも対応でき、ロボットにインタラクティブ性を持たせる。

　DeepMindはまた、「複雑で動的な世界を理解する」ことができる高度な視覚言語モデル「Gemini Robotics-ER」も発表した。こちらもGemini 2.0ベースで、マルチモーダルな推論能力を物理世界に拡張し、特に空間的および時間的な理解を強化することを目的とする。

　Gemini Roboticsについては、例えば、メガネケースを開けたり、ヘッドホンのコードを巻く、弁当箱におかずを詰める、折り紙で狐を折るといった動作のデモが紹介されている。

　Gemini Robotics-ERでは、空間理解能力を示すデモとして、コーヒーカップを見せられた際に、取っ手をつかむための適切な二本指の把持と安全な接近軌道を直感的に理解できる例が紹介されている。

デモ画像。上から、メガネケースを開ける、豆を器から別の器に移す、ファイルフォルダーを開く、ヘッドホンのコードを巻く（画像：Google DeepMind）

　DeepMindは公式YouTubeチャンネルで、多数のデモ動画を公開した。

折り紙でキツネを折るデモ

　DeepMindは、これらの開発では、安全性が重要だとし、Google AIの倫理原則に沿って責任ある開発を進めているとしている。ロボットが物理世界で行動するという性質上、テキストや画像などのデジタル領域のAIモデルとは異なる、特別な安全性の考慮が必要だと強調した。