🇨🇳中国・杭州のロボット企業「DEEP Robotics」を訪問！ 産業用途向け四足歩行ロボットの売上で世界1位。四足歩行なら多分クオリティもNo.1かと。人が乗っても安定が違う。これで通勤したい。 フィジカルAIは企業によって強みが変わるので色々な企業見ておく必要がありますね。 数字もすごい。 ・2025年売上：約3.37億元（約74億円、前年比約3.3倍） ・2026年上半期売上：約2.59億元（約57億円） ・粗利益率：約53%（2025年） ・世界45以上の国・地域に展開 ・IPO申請済み、約25億元（約550億円）の調達を計画 特に印象的だったのが以下。 ① 四足歩行は二足歩行より現場ごとのカスタマイズが少なく済むケースも多そう。すでに警察の巡回ロボットとしても活躍している。 ② 総代理店制度をあえて採用せず、エンド顧客と直接やり取りして現場の声を開発に反映。まさにFDE的な動き。 ③ 社名は出せないけど、日本の大企業も大人数で視察に来ているらしい。 IPOできる規模感ですが、中国当局の上場審査も慎重になっているとの話も。 中国のフィジカルAI、現場を見ると本当に面白い。

「ロボットの高度な頭脳」特化型 Gemini モデル Gemini Robotics ER 2、企業の本番環境向けに提供開始 → Gemini Robotics ER 2 は、ロボットを物理エージェントへと進化させます。Gemini プラットフォームにて、公開プレビュー版としてご利用いただけます。

多指ロボットハンドに、動かすと手と周囲がどう変わるかという先読みを学ばせつつ、本番では未来を一切描かせないDexForesightという研究（ Roboticsや上海交通大学などのチームによる。 指の多い手は、物をつかむ途中で指がカメラから隠れるので、先を見越す力が要る。定番の「World Action Model」（未来の映像や動きを予測しながら行動を出すモデル）は、推論のたびに未来を生成するぶん制御が重くなる。 そこで学習時だけ、先読み役の世界モデル（行動の結果を予測するモデル）を別に育てる。材料はステレオ映像からオフラインで推定した深度、順運動学（関節角から手の各部位の位置を計算する方法。隠れた指も追える）で求めた手の点群、約370時間・60タスク分の実演。実演の動作を条件に、手の表面の点の3D移動と画像特徴の変化を予測させる。 次に世界モデルを固定し、方策（行動を決めるモデル）の内部表現をそちらに寄せる。本番に残るのは方策だけで、入力はRGB画像、言語指示、ロボットの状態のみ。深度推定も未来の生成もしない。 シミュレーションの11タスク（ベンチマークDexJoCo）では、土台のGR00T N1.7の成功率49.4%が60.5%に。最も強い比較手法Fast-WAMの50.9%も上回った。実機3タスクでは58.3%で、次点のWLAは50.0%。推論時間は土台のQwenVLAの227.4msに対し230.4msと、1.3%増にとどまる。未来映像を作るCosmos3は、16フレームの生成段階だけで930msかかる。 寄せ方そのものが効いているらしい。方策に手の動きを直接予測させる出力を足すだけだと53.1%、条件の動作をシャッフルすると41.5%。方策の内部から0.54秒後の手の動きを線形に読み出す誤差も、QwenVLAの13.59mmから10.01mmに減った。 ただし実機は各タスク20回で、物体の位置を変えた評価が中心。WLAやFast-WAMとは構造も学習手順も違い、1要素だけを変えた比較ではないと著者も書いている。本番が軽い代わりに、学習側には大量の実演と深度推定、別の世界モデルが要る。 推論のたびに未来を想像する深い計算を、学習時の先生役に肩代わりさせる設計だ。計算資源が限られるロボットの現場には、こういう分担が合うのかもしれない。