アプトロニク社のヒューマノイドロボット「アポロ2」が、メルセデス・ベンツで部品選別作業を開始

現在、2台のヒューマノイドロボットが、稼働中のメルセデス・ベンツの生産ラインで、勤務時間の一部を、青いプラスチック製の箱に手を伸ばし、金属製のブラケットを取り出し、下流の組立作業員が必要とする正確な順序で、それぞれをシーケンシングトレイに配置する作業に費やしている。 Google DeepMindは火曜日、Apptronik社が製造し、同社の新しい「Gemini Robotics 2.5」モデルを搭載したこれらのロボットが、ハンガリーのケチケメートとドイツのジンデルフィンゲンにあるメルセデス・ベンツの工場で、このキッティング作業を96％の確率で正確に完了していると発表した。

今回の導入は実証実験（PoC）であり、量産への展開ではない。また、DeepMindは、この成功率が何件のピッキング作業をカバーしているか、パイロット運用がどのくらいの期間行われているか、あるいは同じ仕分け作業を行う人間と比較してサイクルタイムがどう異なるかについては明らかにしていない。

96％のピッキング成功率が実際に何を意味するのか

この作業は「自動車用キッティング」と呼ばれ、バルク保管庫から個々の部品を取り出し、生産ラインで消費される順序に従って整理されたコンテナに配置するものです。これにより、技術者が作業を中断して適切なブラケットを探す必要がなくなります。 DeepMindによると、Gemini Robotics 2.5は、この作業に必要な「ギャップ補正」を処理し、コンテナ内の部品が少なくなったり、部品が不自然な角度で配置されていたりする場合に、把持や配置を調整する。これは、他の工程が自動化されている工場であっても、従来は手作業に留まっていたキッティング作業の一部である。

同社は、メルセデス・ベンツの生産ラインを、より広範な主張における一つのデータポイントとして位置付けています。 「Gemini Robotics 2.5は、トングを使った食事の配膳から液体のピペッティングに至るまで200以上の異なるタスクでテストされ、タスクの種類に応じて前世代モデルよりも成功率を30％から100％上回り、タスクの完了時間も20％から30％短縮した」と。 また、DeepMindは、推論時の推論に基づく安全ガイダンスにより、障害物の周囲での安全なタスク完了率が33％向上し、人が近くにいる場合の完了率が43％向上したと述べており、さらに新たな社内安全ベンチマークとして、

ASIMOV-Jailbreakは、前モデルの82％に対し、99.5％の成績を記録した。これらの数値はいずれも、まだ独立した検証を受けていない。これらはDeepMindが独自に測定したものであり、第三者による監査を経たものではなく、モデルとともに公開されたものである。

仕分け済みのブラケットに対する96％の成功率は、限定的で管理されたタスクに関する結果に過ぎず、実際の組立ラインで依然として人間に任されているような変動性のある作業をロボットが処理できるという証明にはならない。

なぜ「キッティング」が着手点となり、「溶接」ではなかったのか

キッティングは開始タスクとして意図的に選ばれたものであり、両社がリスクをどのように管理しているかを物語っている。 溶接やトルクが重要な締結作業、あるいは車両の構造的完全性に関わる作業とは異なり、シーケンシングトレイ内のブラケットの配置ミスは回復可能なエラーである。つまり、完成車に欠陥が生じるのではなく、下流のライン作業員が隙間に気づき、それを補正すればよいのだ。 こうしたミスに対する許容度こそが、シフトごとに品質目標を達成しなければならない生産ラインにおいて、キッティングをヒューマノイドの最初のタスクとして妥当なものにしている理由であり、また、96％という数値が、この技術の限界を示す上限値ではなく、比較的容易なケースにおける下限値として解釈されるべき理由でもある。 産業用オートメーションでは、長年にわたり固定式のロボットアームによるビンピッキングが行われてきましたが、そのほとんどの場合、重厚な固定具、既知の部品形状、そしてセルを囲むケージが使用されていました。 ここで異なるのは、汎用的な移動式二腕ロボットが、そうした補助設備なしに、人間が立ち入る通路で、ロボットの存在ゆえに安全メガネを着用していない作業員のすぐ隣で、この作業を行っている点だ。

自動車工場をヒューマノイドの試験場として活用しているのは、メルセデス・ベンツだけではない。 フィギュアAIは、BMWのサウスカロライナ州スパータンバーグ工場内で同様の巧みな仕分け作業を展開しており、ヒュンダイも自社の施設でボストン・ダイナミクスの「アトラス」を用いて構造および移動性の試験を行っている。これら3社に共通するパターンは同じだ。自動車メーカーは、資本力、管理された床面積、そして既存の安全文化を備えており、

パイロットプロジェクトを主催することで、将来的には自社でも利用する可能性のある機能をいち早く利用できるようになります。 自動車業界以外の調達チームが傍観者としてこの動きを見る場合、メルセデス・ベンツのパイロットプロジェクトは、基盤となるモデルがいかに急速に進化しているかを示すシグナルとして捉えるべきであり、異なる部品構成の倉庫現場に、自動車メーカー並みの統合予算もなしに、同様のロボットがすぐに導入できるという証拠として捉えるべきではない。

Argonのシミュレーションループは、動画には映らない働きをしている

メルセデス・ベンツの成果の背後にある、より興味深い仕組みはロボットアームそのものではなく、それを訓練したモデルにある。 Googleが10月にリリースした別の最先端モデル「Gemini 4 Argon」は、単一の実世界のカメラ映像から数千もの多様なシミュレーション練習を生成し、そのデジタルツインを構築する。その後、それらのシミュレーション練習と実際のデモンストレーションを組み合わせることで、ロボットが単一のビン配置を暗記するのではなく、新しい物体やレイアウトに汎化できるようにする。 また、「Argon」はロボットの失敗映像を分析し、原因を特定した上で、実際の機械に戻す前にシミュレーションで修正策をテストする。

この「シミュレーション→失敗→診断→再テスト」というループにより、Apptronikの最高経営責任者（CEO）であるジェフ・カルデナス氏は、モデルがトレーニング終了後数週間で大幅に向上し、その改善をメルセデス・ベンツの生産現場に持ち込み、性能の低下をほとんど生じさせなかったと述べている。 DeepMindは、「Gemini Robotics 2」から「2.5」への4ヶ月間の性能向上において、どれだけの部分がArgonによるもので、どれだけの部分が追加の実機データ収集やパートナー側によるトレーニング後の調整によるものなのかについては明らかにしていない。これは、異なる部品構成を持つ別の生産ラインで、この成果がどの程度再現可能かを推定しようとする購入者にとって重要な点である。

Apptronikが「手」を、DeepMindが「判断力」を提供

テキサス州オースティンを拠点とするヒューマノイドロボットメーカーのApptronikは、DeepMindのソフトウェアが動作するハードウェアを製造している。「Apollo 2」は同社の第2世代プラットフォームであり、二足歩行型として出荷されるモジュール式設計となっている。

人を中心に設計されたスペース向けの構成と、高スループット作業向けの車輪式ベース構成があり、これらは同社が「特許取得済みのアクチュエータ・プラットフォーム」と呼ぶ基盤の上に構築されています。このプラットフォームは、最高スペックを追求するのではなく、エネルギー消費、保守性、製造性を適切に管理することを目的としています。 メルセデス・ベンツの生産ラインでは、ロボットはSharpa社製の「SharpaWave」と呼ばれる5本指・22自由度の手を装着して稼働しており、一方、Gemini Robotics社の「ER」モデルが、多段階のワークフローを追跡するというより高度な作業を担当し、Gemini Robotics 2.5自体がアームと手の制御を行っている。

この分業体制――ある企業がボディを、別の企業が基盤モデルを、さらに別の企業がハンドを担当する――は、ヒューマノイド導入における例外ではなく、標準的な構造になりつつあり、これこそが、DeepMindのアクセスポリシーがベンチマーク数値と同様に重要視される理由でもある。 Gemini Robotics 2.5は現在、DeepMindの既存のロボット工学パートナーに限定されており、公開APIも価格設定もなく、これに伴い新しいオンデバイスモデルや組み込み推論モデルも発表されていない。 調達チームは、この機能を単純に購入することはできません。すでにDeepMindのパートナー圏内に入っている必要があり、現時点では、メルセデス・ベンツのようなエンドユーザーではなく、Apptronikのようなハードウェアメーカーが該当します。

デモと給与支払いの間の隔たり

火曜日の発表内容には、これが依然として2つの工場フロアにおける既存の人員配置に取って代わるものではなく、並行して行われているパイロットプロジェクトであるという基本的な事実を変えるものは何もない。見出しで挙げられた「96％」という数値は、カメラとグリッパーのシステムに特に適しているという理由で選ばれた単一のタスク――個別の部品、既知のビン、既知のトレイ――についてのものである。 これは、判断を要する作業や、手の届きにくい場所への作業、あるいはあらかじめバルクビンに仕分けされていない部品を扱う、はるかに多くの組立ラインの業務については、ほとんど何も語っていない。 動画上でうまく機能するデモと、工場長が実際にシフトの人員配置を行う際に採用するシステムとの間には、DeepMindがここで省略した詳細――ピッキング回数、パイロット実施期間、そして

そのロボットが担当していた作業から解放し、より困難な業務に専念させることを目的とした技術者との、サイクルタイムの直接比較。

メルセデス・ベンツの先例に倣うべきか検討中の企業にとって、より有用な指標となるのは成功率という見出しではなく、その背後にあるモデルである。 ある最先端の研究ラボでは現在、シミュレーションと故障解析のパイプラインを、単なる研究の副次的なプロジェクトではなく、製品機能として明確に構築している。これは、次期ヒューマノイドロボットのパイロットモデルが、単なる器用さのデモというよりも、特定のモデルが研究室のベンチマークと顧客の現場とのギャップをどれだけ速く埋められるかという点で評価されるようになることを示唆している。

Gemini Robotics 2.5に付随する利用条件は、購入者にとっての真の決定要因がどこにあるかを示唆している。 このモデルはDeepMindの既存のロボティクスパートナーにのみ提供され、APIも公開価格もないため、調達チームにとっての商業的な課題は、この特定のモデルのライセンスを取得すべきかどうかではなく、どのハードウェアパートナーに賭けるかということになる。というのも、そのパートナーが基盤となるファウンデーションモデルにアクセスできるかどうかは、事実上、ロボットとセットで提供されるようになったからだ。 そのため、ベンダー選定に関する課題は1年前よりも明確になっている。具体的には、特定のヒューマノイドメーカーが実際にいくつの基盤モデルとの提携関係を有しているか、そのハードウェアが複数のパートナーのソフトウェアスタック間でどの程度移植性があるか、そしてその提携が終了した場合、ロボット群の能力ロードマップにどのような影響が及ぶか、といった点である。 今日、Apptronik、Figure AI、Agility Robotics、あるいはその他のヒューマノイドメーカーを評価する購入者は、実際には、ハードウェアそのものと同じくらい、ソフトウェアとの関係を評価していることになる。

ジンデルフィンゲンでのシフト終了時になっても、2台のApollo 2ユニットは、数メートル先にいる人間の技術者たちと並んで作業を続けています。同じ工場の照明の下、同じ青い箱に手を伸ばし、そのラインの誰も最初から手作業でやりたくなかったあの仕事を、今やロボットの手がこなしているのです。

本分析は一般的な情報提供のみを目的としており、投資、法律、または専門的な助言を構成するものではありません。これはGoogleの情報をまとめたものです。

本記事の公開時点における、DeepMindおよびApptronikによる公式発表および公表済みのベンチマーク情報。