Gemini Robotics 2とは？全身制御・3モデルの違い・料金・限界を解説【2026年8月最新】

Gemini Robotics 2は、Google DeepMindが2026年7月30日（現地時間）に発表したロボット向けAIモデル群の総称で、脚・胴体・腕・指までを1つの学習済みポリシーで動かす「全身知能（whole body intelligence）」を掲げたモデルです。単一のモデル名ではなく、実行系のGemini Robotics 2（VLA）、高次の計画・監視を担うGemini Robotics ER 2、ロボット本体で動くGemini Robotics On-Device 2の3つで構成されており、2026年8月2日時点で一般の開発者が触れるのはER 2だけです。

この記事で扱う内容は次のとおりです。

• 3モデルそれぞれの役割と、いま自分が使えるのはどれか
• 前世代（Gemini Robotics 1.5 / ER 1.6）から何が変わったのか（ベンチマーク数値付き）
• ER 2のAPI料金と、無料枠の有無・モデルIDなどの実装前提
• 公式が公開したタスク別成功率が示す「できること」と「まだできないこと」
• ASIMOV-Agenticという新しい安全性ベンチマークと、公式が定めた用途制限
• Figure AI・NVIDIA・Boston Dynamics・国内勢との立ち位置の違い

ロボティクス関連の開発者、製造・物流分野でフィジカルAIの導入時期を見極めたい事業側の担当者、そして生成AIの最新動向を追っているビジネスパーソン向けの内容です。

出典: Google DeepMind 公式ブログ

Gemini Robotics 2とは何か——3モデルをまとめた呼び名

Gemini Robotics 2は、Google DeepMindが開発するロボット向けAIモデルファミリーの第2世代です。「Gemini Robotics 2」という語は、モデルファミリー全体を指す場合と、その中のVLA（Vision-Language-Action）モデル単体を指す場合の両方で使われるため、記事や報道を読むときはどちらの意味かを区別する必要があります。

設計上の要点は、「脳」と「体」を明確に分離した階層構造にあることです。ER 2が高レベルの計画とツール呼び出しを担当し、実際のモーター制御はVLA側に委譲します。この分離により、ロボットのハードウェアが変わっても上位のロジックを再利用しやすくなる、というのが公式の説明です。

ER 2のベースモデルは公式モデルカードによればGemini 3.5 Flashで、空間・時間・物理に関する推論を強化したロボティクス特化版という位置づけです。ベースモデル側の仕様や料金体系はGemini 3.5 Flashの解説記事、Geminiファミリー全体の整理はGeminiとはで補完できます。

なお、Google DeepMindはロボット本体（ハードウェア）を自社では作りません。Apptronik、Boston Dynamics、Agile Robots、Frankaといったパートナーの機体に頭脳を供給する形をとっており、この点が競合との最大の構造的な違いになります。

いま一般開発者が使えるのはER 2だけ

導入検討で最初に押さえるべき事実は、全身制御の中核であるVLAには、一般の開発者はアクセスできないという点です。

• Gemini Robotics ER 2：Gemini APIおよびGoogle AI Studioから利用可能。ただしpreviewラベルが付いており、本番運用向けの保証はされていません。無料枠では利用できず、有料ティア限定です。
• Gemini Robotics 2（VLA）：早期アクセスパートナー限定。一般提供の時期は現時点で未発表です。
• Gemini Robotics On-Device 2：信頼テスター（trusted testers）とウェイトリスト経由のみ。

さらに重要なのは、ER 2の出力はテキストのみという制約です。座標・バウンディングボックス・軌道といった構造化された情報をJSONで返しますが、モーターへの指令そのものは出しません。つまりER 2単体では、「ロボットに何をさせるか考える」「作業が完了したか判定する」ことはできても、「実際に動かす」ことはできません。動かす部分は自前の制御スタックか、パートナー向けのVLAが必要になります。

企業向けの提供チャネルとしては、Gemini Enterprise Agent Platform経由のプライベートプレビューも案内されています。エンタープライズ側の枠組みについてはGemini Enterprise Agent Platformの解説も参考になります。

何が新しいのか——全身知能という中身

前世代までのGemini Roboticsは、基本的に上半身によるテーブル上の作業が対象でした。Gemini Robotics 2で最も大きく変わったのは、そこから制御範囲が広がった点です。

出典: Google DeepMind 公式ブログ

1. 全身制御（whole-body control）

公式は「walk, crouch, stretch, and manipulate objects（歩く・しゃがむ・伸びる・物を操作する）」と表現しています。散らかった実環境の中で、歩行・しゃがみ込み・かがみといった動作とバランス制御を、物体操作と同じ1つのポリシーの中で扱えるようになりました。

公式デモでは、ApptronikのヒューマノイドApollo 2に「じょうろを下段の棚の緑のビンに入れて」と自然言語で指示すると、テーブルまで歩き、じょうろを持ち上げ、棚まで移動して所定の位置に置く、という一連の流れを自律実行しています。

2. 多指ハンドへの対応

最大22自由度の5指ハンドを制御対象にできます。Apollo 2に搭載されたSharpa製ハンド「SharpaWave」では、ひもを結ぶ、ジップロック袋を閉じる、といった作業が実演されました。同じモデルで、2指グリッパーのFranka F3 Duoにも対応します。

公式によれば、VLAは単一のチェックポイントで3種類の身体（embodiment）を制御します。Apollo 2（Inspireハンド）、Apollo 2（Sharpaハンド）、Franka F3 Duo（2指グリッパー）の3構成です。

3. 複数ロボットの協調

異なる種類のロボット同士が「共有された意味理解」を介して通信し、サブタスクを受け渡す機能が加わりました。公式デモではApollo 2とFranka F3 Duoが連携し、互いの物理的な得手不得手を踏まえて作業を分担しています。1台完結ではなく、機体構成の異なるチームとして動かせるという方向性です。複数エージェントが役割分担する考え方自体は、ソフトウェア側のAIエージェントの議論と地続きです。

4. 長時間・多段のタスク

公式は「数分間続き、数百の意思決定を含む長いタスクシーケンス」を処理できるとしています。単発のピック＆プレースではなく、工程として連なる作業を扱う設計になっています。

Gemini Robotics ER 2でできること

ER 2は「ロボットを動かすモデル」ではなく、物理世界を理解して計画・監視するモデルです。公式が挙げている主な機能は次の通りです。

• 空間推論：物体のポインティング、動画内でのトラッキング、バウンディングボックス検出、軌道計画。出力は正規化された[y, x]座標とラベルのJSON。
• 動画理解：連続映像から作業の進捗を判定します。公式ベンチマークでは進捗分類（20%刻み）で57.4%、「注ぐのを止める瞬間」といった決定的フレームの特定（moment finding）で91.3%（平均絶対誤差0.96秒）と報告されています。
• 成功検知：タスクが完了したかを判定し、リトライが必要かを認識します。
• Agentic vision：コード実行によって画像を加工しながら推論を強化します。
• ツール利用：Google検索、Googleカレンダー、Function callingに対応。
• Live API対応：gemini-robotics-er-2-streaming-previewにより、低遅延の双方向ストリーミングでリアルタイムのロボットエージェントを構築できます。

ER 2の技術仕様

Gemini Robotics On-Device 2の位置づけ

On-Device 2は、ネットワーク接続なしでロボット本体上で動く軽量VLAです。Gemini Robotics 1.5の技術と、Googleのオンデバイス向けGemmaモデルをベースにしていると公式発表では説明されています。

注目点は適応性で、公式によれば新しい双腕ロボットへ200例未満のデータ・数時間で適応できるとされています。未学習のプラットフォームSO101での性能が、適応前6.7%から適応後53.3%へ改善したという数値も公開されました。

ただし、分布外（out-of-distribution）タスクへの汎化と、自由度の高いロボットへの対応は限定的であることも公式が認めています。クラウド版のような全身制御をそのままオフラインで再現できるわけではない、という理解が必要です。

工場や倉庫のようにネットワーク遮断が前提の現場、映像を外部に出せない現場では、実質的にこのOn-Device 2が本命になりますが、2026年8月2日時点では一般提供されていません。

前世代（Gemini Robotics 1.5 / ER 1.6）との違い

「上半身から全身になった」だけでは差分が見えにくいため、公式が公開しているベンチマーク数値も含めて整理します。

数値のなかで最も差が大きいのは安全指示追従の47.2%→97.9%です。前世代は「やってはいけない指示」を半分以上通してしまっていたことになり、実機運用を前提とするなら、この改善はデモ映えする全身制御以上に実務的な意味があります。

世代の流れ

ER 2の直前世代にあたるER 1.6については、正式なリリース日を確認できる公式情報がないため、この表には含めていません。

料金——ER 2のAPI価格

課金対象は現時点でER 2（API）のみです。VLAとOn-Device 2について、ロボットメーカー向けの商用ライセンス条件・価格は公開されていません。

出典: Google Gemini API 公式ドキュメント

1. 無料枠では使えない。ベースのGemini 3.5 Flashには無料枠がありますが、ER 2は有料ティア限定です。試すだけでも課金アカウントが必要になります。
2. ベースモデルより高い。入力で$0.50/1M、出力で$1.00/1Mの上乗せです。ロボティクス特化のチューニング分と考えるとわかりやすいでしょう。
3. 入力に動画を使うとトークン消費が伸びやすい。ER 2の価値は動画理解にあるため、実運用ではフレームレートや解像度の設計がそのままコストに直結します。バッチ処理が使える用途（オフラインでの作業ログ検証など）は半額になるため、リアルタイム処理と切り分ける設計が効きます。

使い方の流れと、ER 1.6ユーザーへの注意

ER 2を触るまでの手順自体は、通常のGemini APIと変わりません。

1. Google AI StudioでAPIキーを取得し、有料ティアを有効にする
2. モデルIDにgemini-robotics-er-2-previewを指定する
3. 画像や動画をテキスト指示と一緒に渡し、ポインティングや検出、進捗判定を依頼する
4. 返ってくる正規化[y, x]座標＋ラベルのJSONを、自前の制御スタック側で実際の座標系に変換する
5. リアルタイム用途ではLive API対応のgemini-robotics-er-2-streaming-previewに切り替える

すでにER 1.6を使っている場合は移行が必要です。 Gemini APIのドキュメントによれば、gemini-robotics-er-1.6-previewは2026年8月末に提供終了予定とされています。プロトタイプであっても、稼働中のコードは早めにER 2へ切り替えておくのが安全です。なお、ER 2も-previewラベルが付いたモデルであり、仕様や価格が変更される可能性は残ります。本番システムに組み込む場合は、モデルIDを設定値として外出しし、差し替えられる構成にしておくことをおすすめします。

できないこと——公式の成功率が示す現実

Gemini Robotics 2の評価で最も誠実な材料は、Google DeepMind自身が公開したタスク別成功率です。デモ映像だけを見ると万能に見えますが、数値は別の姿を示しています。

出典: Google DeepMind 公式ブログ

多指ハンドの器用さは依然として弱点

Apollo 2＋Sharpaハンドでの成功率：

「外す」は9割超なのに「ねじ込む」は3割台。回転や張力を伴う精密作業になると精度が大きく落ちることがはっきり表れています。公式も多指ハンドによる器用な操作を弱い軸として認めており、報道でも器用さの課題が指摘されています。

全身タスクの成功率も実用水準には届いていない

出典: Google DeepMind 公式ブログ

Apollo 2＋Inspireハンド（全身タスク）：

• テーブルから取る：68.4%
• 床から取る：45.7%
• 棚から取る：76.3%

Franka Duo（2指グリッパー）：

• 一般的なピック＆プレース：74.2%
• ツールのキッティング：78.9%
• 精密な挿入：89.6%

床からの取得が45.7%ということは、2回に1回以上失敗する計算です。「デモは成立するが、無人での連続運用に耐える水準ではない」というのが2026年8月時点の実態と考えるのが妥当でしょう。公式自身も、今後の課題として動作速度のさらなる改善が必要だと明記しています。

比較のために言えば、8時間連続の荷物仕分けを自律運用で実演したFigure AIのHelix-02のように、タスクを絞り込んで垂直統合したアプローチのほうが、特定作業の連続稼働では先行して見える局面もあります。汎用性と信頼性のどちらを取るかという設計思想の違いです。

安全性——ASIMOV-Agenticと公式の用途制限

Gemini Robotics 2と同時に、Google DeepMindはASIMOV-Agenticという安全性ベンチマークを公開しました。エージェント的な安全性、具体的には安全オーケストレーションと不確実性の解消を測るためのものです。

評価される内容は次の4点です。

1. 身体化推論エージェントが、VLAからの危険なツール呼び出しを拒否できるか
2. タスクが実行可能かを事前に予測できるか
3. 不確実なときに人間の介入を能動的に要求できるか
4. 人の接近を検知して自律的に停止できるか

このベンチマークはHugging Face上でCC-BY-4.0ライセンスとして公開されており、DeepMind自社モデルに限らず第三者が任意のロボットAIを評価できます。詳細は公式のGemini Robotics 2 Safety Technical Report（PDF）にまとまっています。

全身制御のロボットには、チャットAIには存在しない転倒・挟み込み・落下物という物理的リスクがあります。人の接近検知が評価項目に入っているのはそのためです。

公式が明示している用途制限

ER 2のモデルカードは、医療・輸送などの安全上重要な用途、および誤動作が死亡・人身傷害・物的損害につながり得る用途での使用を制限すると明記しています。想定用途は「環境推論を必要とするロボティクス開発」であり、safety-criticalな本番環境での利用は明示的に対象外です。

したがって、介護や医療の現場での自律運用を前提に検討するのは現時点では適切ではありません。国内の介護分野のAI活用を考える場合も、Gemini Robotics 2を直接組み込む発想ではなく、記録・観察支援など非制御領域から入るのが現実的です。

データの取り扱い

ER 2はクラウドAPI経由で動くため、工場や倉庫のカメラ映像を外部に送信することになります。データ持ち出し規制のある現場や、ネットワークが遮断された環境では、実質的にOn-Device 2の一般提供を待つことになります。生成AI全般のデータ取り扱いの考え方は生成AIのセキュリティ解説も参考にしてください。

競合との比較——Googleは「Android型」

2026年時点のフィジカルAI領域は、アプローチが大きく3つに分かれています。

出典: Boston Dynamics 公式サイト

構図としては、Googleは「頭脳を供給するAndroid型」、Figureは「垂直統合型」、NVIDIAは「オープン基盤＋シミュレーション型」という三すくみです。Googleの強みは汎用Geminiの推論能力とAPIエコシステムをそのまま持ち込める点、弱みはハードウェアの完成度をパートナーに依存する点にあります。

それぞれの詳細は、NVIDIA Cosmos 3、Metaのロボティクス戦略、Robostral Navigate、そして国産基盤のNoetraの解説記事で確認できます。

日本企業から見た現実的な使いどころ

いま日本の事業会社が取れる選択肢は、実質的に次の3つに整理できます。

現実的に効果が出やすいのは1つ目です。ロボットを動かさなくても、ER 2の動画理解と成功検知は「作業が正しく終わったか」を判定する検査・監視用途に使えます。製造業のAI活用や物流のAI活用の文脈では、ロボット導入より前に、既存工程の可視化から入るほうが投資対効果を検証しやすいでしょう。屋外・非定型環境が多い建設業のAI活用については、床からの取得が45.7%という数値を踏まえると、現時点での自律作業投入はまだ早いと考えられます。

こんな人におすすめ

• ロボティクス／自動化の研究開発に携わっていて、身体化推論のAPIを実際に触りたい人：ER 2はいま利用できる数少ない実用的な選択肢です。
• すでにGemini Robotics ER 1.6を使っている開発者：2026年8月末の提供終了予定に備え、移行が必要です。
• 自社でロボットハードを開発している企業：VLA / On-Device 2のウェイトリスト申請は早い方が有利に働く可能性があります。
• フィジカルAIの技術動向を経営判断のために追っている人：3モデル構成と成功率の数値は、市場の成熟度を測る良い指標になります。
• 既存カメラ映像から作業進捗や完了判定を自動化したい現場担当者：ロボットを買わなくても効果を検証できます。

おすすめしない人

• 今すぐヒューマノイドを業務投入したい企業：VLAは一般提供されておらず、成功率も無人運用に届いていません。
• 無料で試したい個人開発者：ER 2に無料枠はなく、有料ティアが前提です。まずは生成AIの基礎や通常のGemini APIから始めるほうが費用対効果が高いでしょう。
• 医療・介護・輸送など安全上重要な領域での自律運用を検討している組織：公式モデルカードが明示的に用途を制限しています。
• オフライン・閉域ネットワークが必須の現場：クラウド経由が前提のER 2は要件を満たしません。On-Device 2の一般提供待ちになります。
• 仕様の安定性を重視する本番システム開発者：-previewラベルのモデルは仕様・価格の変更リスクを抱えています。

よくある質問

Q. Gemini Robotics 2は誰でも使えますか？
A. いいえ。2026年8月2日時点で一般提供されているのはGemini Robotics ER 2のみで、Gemini APIおよびGoogle AI Studioから有料ティアで利用できます。全身制御を担うVLAは早期アクセスパートナー限定、On-Device 2は信頼テスター限定です。

Q. ER 2を使えばロボットを動かせますか？
A. 直接は動かせません。ER 2の出力はテキスト（座標やラベルを含むJSON）のみで、モーター指令は生成しません。実際の駆動は自前の制御スタック、またはパートナー向けのVLAが担います。

Q. 前世代のER 1.6を使い続けられますか？
A. Gemini APIのドキュメントではgemini-robotics-er-1.6-previewが2026年8月末に提供終了予定とされています。ER 2への移行を前提に計画するのが安全です。

Q. 電球をねじ込む成功率36%というのは低すぎませんか？
A. 汎用モデルが未調整のまま多指ハンドで回転・張力を伴う作業に挑んだ数値、という前提を踏まえる必要があります。同じハンドでも「電球を外す」は92%です。専用ハンドと専用プログラムで作り込んだ産業用ロボットの精度と単純比較する数値ではありませんが、無人での連続運用が難しい水準であることは確かです。

Q. 日本語で指示を出せますか？
A. 公式に日本語対応を明記した記述は確認できていません。ベースがGeminiであるため多言語入力は想定されますが、ロボット制御の指示としてどこまで精度が出るかは未確認です。

Q. モデルの重みは公開されていますか？
A. されていません。公開されているのは安全性ベンチマークASIMOV-Agenticのデータセット（Hugging Face、CC-BY-4.0）で、モデル本体はAPIおよび限定提供のみです。

まとめ

Gemini Robotics 2は、ロボットAIを「テーブルの上の腕」から「歩いて働く体」へ広げた点で、明確な世代交代を示すモデル群です。同時に、公式が自ら公開した成功率は、汎用ヒューマノイドが実運用に届くまでにまだ距離があることも示しています。

2026年8月2日時点の要点を整理します。

1. Gemini Robotics 2はVLA・ER 2・On-Device 2の3モデルの総称であり、一般に使えるのはER 2だけ
2. ER 2はGemini 3.5 Flashベース、入力$2.00／出力$10.00 per 1Mトークン、無料枠なし、出力はテキストのみ
3. 前世代比で安全指示追従が47.2%→97.9%と大幅改善した一方、電球をねじ込む36%・床から取る45.7%という現実もある
4. ER 1.6は2026年8月末に提供終了予定で、移行が必要
5. 公式モデルカードが医療・輸送など安全上重要な用途を制限している

VLAとOn-Device 2の一般提供時期、商用ライセンス条件は今後変わる可能性があります。導入判断は、公式の発表と自社の要件（オフライン要否・安全要件・対象作業の成功率）を突き合わせて、段階的に進めるのが現実的です。