工場で部品を箱に詰めるロボットと、病気に関わるDNAの変化を調べる研究者には、共通する課題があります。条件が変わるたびに、次の動作や実験をどう選ぶかという問題です。Google傘下のAI研究組織、Google DeepMindが発表したGemini Robotics 2.5とAlphaGenome 2は、それぞれの現場で、この判断を支援するモデルです。

Gemini Robotics 2.5は、カメラなどから得た視覚情報と言語による指示を、ロボットの動作につなげます。AlphaGenome 2は、DNA配列やその違いが、細胞の種類や状態に応じてどのような影響を及ぼすかを予測します。対象は異なりますが、両者を理解する軸は、AIの出力を現実の作業や検証へどう結び付けるかにあります。



生成AIのニュースでは、文章や画像を作る能力に目が向きがちです。今回の発表では、周囲の状況に応じて物を扱う能力や、生物学的なデータから検証すべき仮説を絞る能力が中心になります。企業にとっては、モデルの賢さだけでなく、既存の設備や研究工程のどこに組み込めるかが検討の出発点になるでしょう。

ただし、二つのモデルを同じ物差しで評価することはできません。ロボットでは作業の成功率や速度に加え、人や設備への影響が問われます。遺伝子解析では、予測が実験で確かめられるか、研究対象の細胞に適した結果が得られるかが焦点です。今回の進歩は、各分野の検証条件とセットで読む必要があります。

Gemini Robotics 2.5は、視覚・言語・動作を結び付けるVLAモデルです。VLAはVision-Language-Actionの略で、見えている状況と人の指示を踏まえて、ロボットが取る動作を生成する仕組みを指します。DeepMindは、同社のロボット向けモデルとして最も高い能力を備えると説明しています。

改善の柱は、器用さ、信頼性、安全性の三つです。器用さの面では、日常的な道具を使い、繊細な物や柔軟な物をより正確に扱えるようになったとしています。形が変わる物は、持ち上げる前と後で状態が変化するため、あらかじめ決めた動きを再生するだけでは対応しにくい対象です。こうした作業への適応は、整えられた実験環境から実際の作業現場へ進むうえで意味があります。



DeepMindによると、基盤となるGemini 4 Argonの能力を活用することで、新しい技能を学び、現実の場面に応用する範囲と速度が向上しました。評価対象は200種類を超えるタスクに及びます。ただし、タスクの種類が多いことと、個々の企業の工程にそのまま適用できることは別の論点です。導入先の物体、配置、道具が変わった際の性能は、個別に確かめる必要があるでしょう。

対応する機体には、米ロボット企業Apptronikの人型ロボットApollo 2や、平行に開閉する二本指のグリッパーを備えたFranka Duoが含まれます。複数の機体で使える設計は、AIを特定のロボットだけに閉じ込めない方向性を示しています。提供はAgile Robots、Apptronik、Boston Dynamicsなどのロボット関連パートナーを通じて進められるとしています。

企業の導入担当者が注目しやすい成果は、メルセデス・ベンツで行われた実環境の概念実証です。DeepMindは、自動車部品を梱包する作業で96％の成功率を達成したと説明しています。Apptronikの共同創業者兼CEO、ジェフ・カーデナス氏も、Apollo 2とGemini Roboticsを組み合わせ、数週間の追加学習で性能が改善し、生産現場へ移した際の性能低下も小さかったと述べています。

この96％は、対象となった梱包作業の結果です。すべての作業で同じ成功率が得られるという意味にはなりません。DeepMindが示した評価では、タスクに応じた成功率は30～100％と幅があり、完了速度は前バージョンの基準と比べて20～30％向上したとされています。平均的な印象よりも、自社で必要とする作業がどの条件に近いかを確認するほうが有用です。



例えば、梱包の失敗が人の手直しで済む場合と、部品の損傷やライン停止につながる場合では、同じ成功率でも事業上の評価が変わります。実証では、成功と判定する条件、作業対象のばらつき、人が介入した回数、失敗から復帰するまでの時間をそろえて記録すると、性能値を運用上の判断へつなげやすくなります。

安全性について、DeepMindは物理的な動作を指示に沿って制御する能力を改善し、不適切な指示で制約を回避させる「ジェイルブレイク」への耐性を調べる新たな評価基準を導入したとしています。これはAIモデルの評価に関する進展です。工場全体の安全性を判断する際には、機体、周辺設備、人の動線、停止手順も含めて考える必要があります。モデルの改善が、設置先の安全確認を代わりに済ませてくれるわけではありません。

AlphaGenome 2が扱うのは、DNA配列やその変化が細胞の働きに及ぼす影響です。創薬やバイオテクノロジーの研究では、遺伝的な違いと病気の関係が見つかっても、その違いがどの遺伝子に、どの細胞で作用するのかを調べる工程が残ります。同モデルは、こうした問いに対する予測を通じて、研究者が試すべき候補を絞ることを狙っています。

体内の多くの細胞は基本的に同じDNAを持ちますが、同じように働いているわけではありません。心筋細胞と免疫細胞では、使う遺伝子やその活動の程度が異なります。DNAを共通の設計図と考えるなら、細胞ごとに参照する箇所や読み出す量が違うという理解が役立つでしょう。この違いを捉えないと、特定の細胞だけで現れる影響を見落とすおそれがあります。



AlphaGenome 2は、従来の組織単位の予測よりも、細胞の種類や状態に踏み込んだ情報を扱います。組織には複数の種類の細胞が含まれるため、全体をまとめた観測では、限られた細胞で起きる変化が捉えにくい場合があります。細胞ごとの解像度を高める意義は、単にデータを細かく見ることではなく、どこで生物学的な影響が生じるかを絞り込む点にあります。

用途は研究の支援です。疾患に関わる可能性のある仕組みを探り、薬が作用する標的の候補や、優先して実施する実験を考える材料になります。予測だけで病気の原因や治療効果が確定するわけではありません。AlphaGenome 2は臨床・診断用途の承認を受けておらず、得られた仮説には実験による検証が必要です。

AlphaGenome 2の背景には、Human Cell Atlasの取り組みがあります。Human Cell Atlasは、人の細胞の種類や状態を詳しく調べる国際的な研究連携です。何百万もの細胞について遺伝子の活動を調べることで、体内の細胞がどのようにDNAの情報を利用しているかを理解するための基盤を築いてきました。

それでも、DNAのどの違いが遺伝子の活動を変えるのかを予測することは、難しい課題です。細胞の種類だけでなく、その時点の状態も関わるためです。例えば、感染への反応中にある免疫細胞を理解するには、免疫細胞という分類に加え、どの状態で観測されたデータなのかにも目を向ける必要があります。



Human Cell Atlasの共同創設者で、英ケンブリッジ大学教授のサラ・タイヒマン氏は、AlphaGenome 2が新たな単一細胞データに再学習なしで適応し、新しく調べられた細胞状態でDNAの変化がどう作用するかを予測できる点を評価しています。同氏によると、少数のサンプルからも適応できます。ただし、研究者が利用を検討する際には、対象となるデータや細胞で予測がどの程度確かかを確認することが欠かせません。

予測対象には、遺伝子発現、ヒストン修飾、クロマチンのアクセスしやすさに加え、DNAメチル化が含まれます。遺伝子発現は遺伝子が使われる程度、ヒストン修飾やクロマチンの状態はDNAの収納や読み出しやすさに関係します。DNAメチル化も、DNA配列そのものの違いとは別に遺伝子活動に関わる仕組みです。これらを扱えることは、配列から細胞の働きに至る過程を複数の側面から検討する助けになると考えられます。

二つの発表から企業が考えたいのは、AIを使う対象だけでなく、結果を確かめる単位です。ロボットであれば一つの作業工程、遺伝子解析であれば一つの研究上の問いまで絞ることで、モデルの出力が実務上の改善につながったかを判断しやすくなります。広い能力を持つモデルであっても、導入の評価まで広く曖昧にする必要はありません。

製造業では、例えば特定部品の箱詰めを対象に、現行の作業時間、手直しの頻度、品質判定の条件を整理する方法があります。そのうえで、対象物の置き方や形状のばらつきを含む条件を設定し、ロボットが対応できる範囲を調べます。メルセデス・ベンツでの実証は検討材料になりますが、自社の工程で必要な性能は、自社の条件で定めるべきでしょう。



製薬・バイオ分野なら、既に実験結果のある課題を使い、予測が研究上の判断にどう役立つかを確認する進め方が考えられます。対象の細胞やDNAの変化を明確にし、既知の結果との整合性や、新たな実験候補を選ぶ際の有用性を調べるという方法です。これはAlphaGenome 2の成果として報告された手順ではなく、企業が利用価値を見極めるための検証設計の一例です。

費用、契約条件、利用可能な環境などは、今回示された性能だけでは判断できません。ロボット向けモデルはパートナー経由の提供であることも踏まえ、検討段階では自社の設備や研究基盤との接続条件を確認する必要があります。最初に用意したいのは、「何を入力し、何を出力として受け取り、誰がどの基準で確認するか」をまとめた一枚の検証計画です。それがあれば、発表された能力を自社の投資判断へ具体的につなげられます。