工場の圧力計の数値を読み取ることは、一見簡単そうに聞こえるが、これまでロボットにはできなかった。
ロボットが文字盤を見られないわけではない。写真を撮り、円形の計器であることを認識できる。しかし「針が237を指しており、単位はPSI、現在の数値は異常」といった判断には、視覚的理解、数値推論、状況知識、そして「237 PSI」がその機器にとって何を意味するかの理解が必要となる。
Google DeepMindは4月15日、Gemini Robotics-ER 1.6を公開し、この能力について具体的な数値を示した。計器読み取り精度は86%、Agentic Visionを有効にすると93%に達する。前バージョンは？23%だった。
これは小幅な改良ではない。「基本的に使えない」状態から「産業現場で使える」状態への飛躍だ。
このモデルが実際に行うこと
Gemini Robotics-ERはEmbodied Reasoning（具身推論）の略で、AIが単に見るだけでなく、見たものに基づいて動作を計画し、タスクが完了したかどうかを判断できるようにするものだ。
バージョン1.6は主に4つの分野を強化している。
計器読み取り（Instrument Reading）
最も重要な新機能だ。Spotロボットが工場を点検する際、圧力計、温度計、液面計といったアナログ計器に直面し、それらの数値を正確に読み取る必要がある。従来の視覚AIは「計器はだいたい真ん中あたり」と「正確に237 PSI」の間で誤ることが多かった。
バージョン1.6は視覚推論とコード実行を組み合わせる。画像をキャプチャし、コードを使って文字盤の範囲と針の位置を推定し、数値を出力する。精度は目盛りの1目盛り未満だ。これはDeepMindとBoston Dynamicsが実際の使用の中で特定したニーズであり、それに特化して開発された。
多視点理解（Multi-View Understanding）
ロボットには通常、複数のカメラが搭載されている。従来のモデルは複数の映像を処理する際、「この物体はどのカメラに映っているのか？別のカメラの同じ物体か？」と混乱することが多かった。バージョン1.6は複数の視覚入力を同時に処理し、それらを統合して一貫したシーン理解を構築できる。
空間推論（Pointing & Spatial Reasoning）
まずキーポイントを特定し、次に空間関係を推論する方法により、物体の計数や把持点の発見といったタスクの精度が向上した。
タスク完了判定（Success Detection）
遮蔽物があったり照明が悪い環境でタスクが完了したかどうかを判断することは、ロボットにとって常に難しい課題だった。バージョン1.6はこの点で大幅に改善され、ロボットが遠隔で人間に問い合わせることなく、再試行すべきかどうかを自律的に判断できるようになった。
Boston Dynamicsの活用方法
Boston DynamicsのSpotロボットは、工場への巡回、音声・映像の記録、設備状態の記録といった産業点検の製品ラインを確立している。しかし従来、Spotは文字盤を見ることはできても数値を正確に読み取ることはできず、作業員が付き添うか、Spotが撮影した写真を人間が後で確認する必要があった。
この工程を省けるようになった。
Boston DynamicsのVP、Marco da Silva氏は次のように述べている。「計器読み取りとより信頼性の高いタスク推論により、Spotは現実世界の課題を完全に自律的に見て、理解し、対応できるようになる。」
これはマーケティングトークではない。具体的なユースケースの変化だ。以前は人間がSpotに付き添って各機器の数値を記録する必要があったが、現在はSpotが点検ルート全体を自律的に完了し、人間は最終報告書を確認するだけでよい。
数字が物語るもの
直接的な性能比較：
| 能力 | Gemini Robotics-ER 1.5 | Gemini Robotics-ER 1.6 |
|---|---|---|
| 計器読み取り精度 | 23% | 86%（Agentic Vision: 93%） |
| 動画の安全リスク認識 | 基準値 | +10% |
| テキストの安全リスク認識 | 基準値 | +6% |
計器読み取りが23%から86%へと向上したことは、この機能がプロトタイプ段階から実用段階に入ったことを意味する。
API公開の意味
Gemini Robotics-ER 1.6はGemini APIとGoogle AI Studioを通じて開発者に提供される。この配布方法は重要だ。
ハードウェアメーカー（Boston Dynamicsに限らない）は、このモデルを直接呼び出して、高度な視覚推論を自社のロボットプラットフォームに統合できる。自前でモデルを訓練したり、モデルの重みを管理したりする必要はなく、API呼び出しだけで済む。これにより参入障壁が大幅に下がり、DeepMindのロボットAIがさまざまな産業現場に迅速に浸透することが可能になる。
これはWaymoが走行データを参入障壁として蓄積する論理とは異なる。DeepMindはプラットフォーム戦略を採用し、サードパーティのハードウェアパートナーに能力を普及させる。このモデルを使用するロボットは、産業点検において直接商品化可能な能力を一つ手に入れることになる。
産業用ロボットが「工場に一人も人間が付き添う必要がない」状態に達するにはまだ距離があるかもしれない。しかし、Spotが計器を読み取れるようになったことは、その地点に大きく近づいたことを意味する。
出典：Gemini Robotics ER 1.6: Enhanced Embodied Reasoning（Google DeepMind Blog）；DeepMind launches Gemini Robotics-ER 1.6 to meet precise physical AI demands（SiliconANGLE）；CocoLoop、Google DeepMind Releases Gemini Robotics-ER 1.6（MarkTechPost）