🤖 電球92パーセント、ゴミ袋44パーセント｜Gemini Robotics 2 が数字で見せた、ロボットの現在地

目次

• できないことを数字で言えるようになったの
• そう考える3つの理由
  • 理由1: 92と44を分けているのが、賢さではないから
  • 理由2: 姿勢が絡むと落ちるのが見えてしまうから
  • 理由3: 数字を出すこと自体が、売り方の変化だから
• 発表の中身を整理するね
• 3モデルに分けた意味
• デモ動画との付き合い方が変わるの
• 仕事に置きかえて考えてみる
• うまくいかない可能性もあると思う
• まとめ：44パーセントが書いてあることの価値

---

できないことを数字で言えるようになったの

2026年7月30日、Google DeepMindがロボット向け基盤モデルの新世代 Gemini Robotics 2 を公開したの。

発表を読んでいて、いちばん目が止まったのはここだったよ。

電球を回して外す    92%
ゴミ袋を縛る        44%

同じ多指ハンドの作業なのに、倍以上の開きがあるの。

そしてわたしが大事だと思ったのは、44パーセントという数字が書いてあることのほうなんだよね。

ロボットの発表って、これまでは「こんなことができました」という動画が中心だったよね。うまくいった回を見せるものだったの。そこに「この作業は44パーセントです」と並べてきたのは、見せ方が変わったということだと思うな。

今日はこの2つの数字から考えてみたいの。

---

そう考える3つの理由

理由1: 92と44を分けているのが、賢さではないから

まず、92パーセントと44パーセントの作業を並べてみるね。

電球を回して外す    決まった形、硬い、回転させるだけ、掴む場所が一意
ゴミ袋を縛る        形が定まらない、柔らかい、掴むたびに形が変わる

違いは、対象が硬いか柔らかいかなの。

電球は硬くて形が決まっているから、一度掴めばあとは回すだけだよね。掴む場所も決まっているの。

でもゴミ袋は、掴んだ瞬間に形が変わるの。持ち上げたらまた変わるし、結ぼうとするとまた変わる。動かすたびに、さっきまでの前提が崩れるんだよね。

ここが大事なところだと思うの。この差は、モデルが賢いか賢くないかではないの。物理的に予測が効くかどうかの差なんだよね。

つまり44パーセントを92パーセントに近づけるには、モデルを大きくするだけでは足りない可能性があるの。変形するものをどう扱うかという、別の問題を解く必要があるよね。

理由2: 姿勢が絡むと落ちるのが見えてしまうから

もうひとつ、全身操作の数字も見てほしいの。

テーブルから拾う   68.4%
棚から拾う         76.3%
床から拾う         45.7%

床だけ、はっきり低いよね。

テーブルと棚は、だいたい立ったまま手を伸ばせば届く高さなの。でも床は、しゃがむか、かがむか、姿勢そのものを変える必要があるよね。

姿勢を変えるということは、バランスを取りながら手を動かすということなの。腕だけの問題ではなくなるんだよね。

今回のモデルが「whole body（全身）」を名前に掲げているのは、まさにここを扱おうとしているからだと思うの。そして扱おうとした結果、まだ45.7パーセントだと分かったということだよね。

わたしはこの数字、悪い知らせだとは思っていないな。どこが難しいのかが特定できているということだから。

理由3: 数字を出すこと自体が、売り方の変化だから

3つめは、技術ではなく姿勢の話なの。

これまでのロボット発表を思い出してほしいの。ヒューマノイドが箱を運ぶ動画、コーヒーを淹れる動画。ああいうのって、何回目の撮影なのかが分からないんだよね。

今回は違うの。作業ごとに成功率が並んでいるから、その動画が何回に1回なのかが読めるの。

これ、買う側にとってはすごく大きいと思うな。

これまで  「できます」    → 導入して初めて、できない回に気づく
今回      「44%です」    → 導入前に、できない回の量が分かる

同時に、ASIMOV-Agentic という安全ベンチマークも新しく導入されているの。エージェントが複数の動作を組み立てて実行するときの安全性を測るものだよ。

数字を出すのは、売る側にとってはリスクなんだよね。低い数字も見えてしまうから。それでも出したということは、そのほうが信用されると判断したということだと思うの。

---

発表の中身を整理するね

事実を並べておくね。

発表日 は2026年7月30日、Google DeepMindの公式ブログ。

公開された3モデル:

Gemini Robotics 2            視覚と言語をモーター制御に変換するVLA
                             ヒューマノイド全身と両腕ロボットの器用な操作を担当
Gemini Robotics ER 2         身体を持った推論を担うモデル
                             数分規模の多段タスクの計画、複数ロボットの連携
Gemini Robotics On-Device 2  ロボット本体でローカル実行する軽量版
                             新しい機体に数時間の少量データで適応

公開された成功率:

全身操作     テーブルから拾う 68.4% / 棚から 76.3% / 床から 45.7%
グリッパー   一般的な pick&place 74.2% / 工具の仕分け 78.9% / 挿入 89.6%
多指ハンド   電球を回して外す 92% / ゴミ袋を縛る 44%

対応機体: Apptronik Apollo 2（SharpaWave および Inspire ハンド）、Franka Duo（Robotiq グリッパー）、Dexmate、SO101、Trossen。Boston Dynamics はパートナーへの謝辞で言及されているよ。

新しい安全ベンチマーク: ASIMOV-Agentic。

提供状況:

ER 2            Google AI Studio で提供中
                Gemini Enterprise Agent Platform はプライベートプレビュー
VLA / On-Device  早期アクセスパートナーのみ、申込フォーム経由

---

3モデルに分けた意味

3つに分かれているのが、けっこう考えられた構成だと思うの。

役割で並べるとこうなるよね。

ER 2         何をするか決める      　→ 考える層
Robotics 2   どう体を動かすか決める 　→ 動かす層
On-Device 2  手元で素早く動かす    　→ 現場の層

考える部分と動かす部分が分かれているのがポイントなの。

多段タスクの計画は数秒考えてもいいけれど、実際に物を掴む瞬間の制御は待てないよね。この2つを1つのモデルでやろうとすると、どちらかに無理が出るの。

そしてOn-Device版が別にあるのは、通信が切れても動く必要があるからだと思うな。クラウドに問い合わせている間に物を落としたら意味がないよね。

新しい機体に数時間の少量データで適応する、と書かれているのも実務的だと思うの。ロボットの機体って、メーカーごとに関節の数も長さも違うよね。機体を変えるたびに一から学習し直しだと、現場では使えないの。

---

デモ動画との付き合い方が変わるの

今回の数字を知ったあとだと、ロボットのデモ動画の見え方が変わると思うの。

たとえば、こういう見方ができるようになるよね。

硬いものを扱う動画      → 数字が高い領域。おおむね素直に見ていい
柔らかいものを扱う動画  → 数字が低い領域。何回目の成功かを気にする
しゃがむ動作がある動画  → 床45.7%の領域。相当うまくいった回の可能性

これ、疑ってかかろうという話ではないの。どの領域の話をしているかを見分けられるようになったということなんだよね。

布をたたむ、ケーブルをまとめる、袋を開ける。この辺りはどれも柔らかいものだから、いま見せられている動画は「うまくいった回」である可能性を意識していいと思うの。

逆に、部品を挿す、工具を並べる、蓋を回す。この辺りは硬いものの作業だから、数字としてはかなり実用に近いところまで来ているよね。挿入89.6パーセントというのは、けっこうな水準だと思うな。

---

仕事に置きかえて考えてみる

自分の仕事に引き寄せると、こんな整理になると思うの。

ひとつ、自分の作業が硬い側か柔らかい側かを分けてみる。 形が決まっていて、手順が毎回同じで、対象が変形しないもの。これは自動化が近い領域だよね。逆に、状況によって形が変わるもの、途中で前提が崩れるものは、まだ遠いの。

ふたつ、これはロボットに限らないと思う。 ソフトウェアのエージェントでも同じ構造があるよね。決まった形式のデータを決まった手順で処理するのは得意で、途中で前提が変わる仕事は苦手なの。ゴミ袋44パーセントは、物理の話であると同時に、仕事の性質の話でもあると思うな。

みっつ、数字が出ている領域は、比較できる。 これまでは各社が別々のデモを見せていて、比べようがなかったよね。作業別の成功率が出るようになれば、同じ作業で他社と並べられるの。この流れが続くといいなと思っているよ。

よっつ、44パーセントを見て諦めない。 44パーセントということは、2回に1回近くはできているということでもあるよね。人が最後に確認する前提なら、使える場面はあると思うの。全自動を前提にすると使えないけれど、下ごしらえとして考えると話が変わるよね。

AIエージェントの現在地が気になる人は、こっちの記事も見てみてね。

関連記事: AIエージェント比較2026

主要モデルの比較はこちら。

関連記事: ChatGPT・Gemini・Claude 徹底比較

---

うまくいかない可能性もあると思う

慎重に見ておきたい点も書いておくね。

ひとつめは、この数字がどういう条件で測られたのかが分からないこと。作業の難易度設定、試行回数、環境の明るさや配置。同じ「ゴミ袋を縛る」でも、条件次第で数字は動くよね。他社と比較するには、測り方も揃っている必要があるの。

ふたつめは、選ばれた作業が代表的とは限らないこと。公開されているのは一部の作業だよね。載っていない作業のほうが多いはずなの。載せる作業を選べる以上、都合の良い集合になっている可能性は残るよ。

みっつめは、まだほとんどの人が触れないこと。VLA本体とOn-Device版は早期アクセスパートナー限定なの。触れるのはER 2だけだから、手元で数字を確かめられる人はごく少ないんだよね。

よっつめは、成功率が上がっても、失敗の中身が問題になること。92パーセントでも、残り8パーセントで電球を割るのか、単に掴めないだけなのかで話がまったく違うよね。失敗の質は数字からは読めないの。

---

まとめ：44パーセントが書いてあることの価値

まとめるね。

2026年7月30日、Google DeepMindが Gemini Robotics 2 を公開したの。全身制御を担うVLA、多段タスクを計画する ER 2、ロボット本体で動く On-Device 2 の3モデル構成だよ。

作業別の成功率が開示されていて、電球を回して外す作業が92パーセント、ゴミ袋を縛る作業が44パーセント。全身操作では床から拾う作業が45.7パーセントにとどまっているの。

わたしがこの発表から受け取ったのは、92と44を分けているのは賢さではなく、対象が硬いか柔らかいかだということ。掴んだ瞬間に形が変わるものは、動かすたびに前提が崩れるから難しいんだよね。床が低いのも同じで、姿勢を変える動作が絡むと難易度が跳ね上がるの。

そして、いちばん価値があると思ったのは44パーセントと書いてあること自体だよ。これまでのロボット発表は「できます」を見せるものだったから、何回に1回なのかが読めるようになったのは大きな変化だと思うな。

使う側としては、自分の作業が硬い側か柔らかい側かで分けて考えるのがいいと思うの。形が決まっていて手順が毎回同じなら近い領域だし、途中で前提が崩れる仕事ならまだ遠い領域だよね。

ただ、測定条件も、選ばれなかった作業も分からないままなの。他社が同じ形式で数字を出してきたときに、はじめて比較になると思うな。そこまで来るかどうかを見ていきたいの。

ソース:

• Gemini Robotics 2 brings whole body intelligence to robots（Google DeepMind, 2026年7月30日）
• Google Introduces Gemini Robotics 2 with Whole Body Intelligence（The AI Insider, 2026年7月30日）