物理世界に入る AI：人型ロボット、身体性の基盤モデル、実環境での操作能力の進展を追う。
Google DeepMindは視覚-言語-動作モデルGemini Robotics 2.5を発表した。ハンガリーのKecskemétとドイツのSindelfingenにあるメルセデス・ベンツの稼働中生産ラインで、ApptronikのヒューマノイドロボットApollo 2がこのモデルを使って金属部品を仕分けしトレイに載せる実証試験を行い、成功率96%を達成した。
Google DeepMindは視覚-言語-行動（VLA）モデル「Gemini Robotics 2.5」を発表した。これまでで最も能力の高いVLAモデルだとし、200のタスクで従来のベースラインと比べて成功率が30〜100%向上、タスク完了速度は20〜30%速いという。
NVIDIAはCoRLでオープンワールド行動モデルGR00T 2を発表した。NVIDIA Cosmosを基に構築され、学習データにはNVIDIAが公開した10万時間の一人称視点データを含む。タスク専用のデモなしで、評価対象50タスクのうち40タスクをこなせる。
AI2はHugging Face上でToyBlocksを公開した。卓上のロボットアームとブロックを中心に据えたオープンなシミュレーションフレームワークで、FoundationWorldsシリーズの最初の環境にあたる。
NVIDIAはCosmos世界モデルプラットフォームにオープンウェイトのcheckpointを4種追加した。いずれもCosmos 3 Nanoを事後学習したもので、学習可能パラメータは16B、商用・非商用を認めるOpenMDW1.1ライセンスを採用する。
NVIDIAはCosmos3-H-Dreamsを発表した。対話型生成シミュレーションを臨床の胆嚢摘出シーンへ拡張するもので、160億パラメータのCosmos3-H-Embodied-Nanoを微調整して構築し、NVIDIA RTX PRO 6000 GPU 1枚でリアルタイムに動作する。
Googleはロボティクスの全工程をカバーする単一モデルとして「Gemini 4 Argon」を発表した。ロボットの制御、仮想練習環境の構築、訓練動画の品質評価が可能。
Google DeepMind は Gemini 4 Argon を発表した。物理理解、コード生成、視覚意味推論を柱とし、Embodied Reasoning（ERQA）ベンチマークで純粋な推論により 87% を達成、他のフロンティアモデルを上回るとしている。
AMDは空間知能に特化したスタートアップWorld Labsを約82億ドルの全株式交換取引で買収すると発表した。取引は規制当局の承認を待ち、2026年末までの完了を見込む。World Labs創業者の李飛飛氏はAMDに加わり、執行副社長兼チーフサイエンティストとしてCEOの蘇姿丰氏に直接報告し、最先端研究を担当する。
AMDは、物理現実の理解に特化した深層学習モデルを手がけるWorld Labsを82億ドルで買収すると発表した。取引は年内の完了を見込み、規制当局の承認が必要。World Labs創業者の李飛飛氏はAMDに執行副社長兼チーフサイエンティストとして加わる。両社は昨年、推論最適化と訓練で提携を結んでいる。
Microsoft Researchは移動マニピュレーションロボットのワークロードを体系的に測定し、物理AI推論をロボット上のGPUからエッジやクラウドのGPUへ移すことで、タスク成功率の向上、大規模モデルの利用、稼働時間の延長が可能だと示した。
NVIDIA は Toronto の ROSCon で Isaac ROS 5.0 を公開した。ROS ベースの GPU 高速化パッケージ群で、エージェントのワークフローとプラットフォーム対応を追加し、ロボットアプリの構築、カスタマイズ、配備を速める。
Google DeepMind は Gemini Robotics ER 2 を公開した。ロボットの高位の頭脳として、動画理解、複数段階の作業計画、複数ロボットの協働に対応し、動作実行を下位の VLA モデルへ任せられる。
Google DeepMind は次世代ロボット知能層 Gemini Robotics 2 を公開した。初めて人型ロボット全体の全身制御を実現し、両手とグリッパーの精密操作に対応する。
Hugging Face は Grabette を公開した。手持ちグリッパーと2台のカメラで操作の手本を記録し、ロボットや遠隔操作装置なしでロボットに使えるデータセットを作る。手持ち機の部材費は約490ユーロ、対応する電動グリッパー Gripette は約120ユーロ。ハードウェア CAD、Raspberry Pi の収集ソフト、ブラウザー処理の手順をすべて公開する。
Mistral AI は初の具身ナビゲーションモデル Robostral Navigate を公開した。8B モデルで、一般的な RGB カメラ1台だけを使い LiDAR や深度センサーを必要としない。R2R-CE 検証セットの未見環境で成功率76.6%を達成し、最良の単眼方式を9.7ポイント、深度や複数カメラを使う最良システムを4.5ポイント上回った。
Hugging FaceはLeRobot v0.6.0を公開し、ロボット学習の循環に向け、世界モデル方策VLA-JEPA、FastWAM、LingBot-VA、新たなVLA群GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT、統一報酬モデルAPIのRobometerとTOPRewardを導入した。
Google DeepMindはロボット向けの推論重視モデルGemini Robotics-ER 1.6を公開した。空間推論と複数視点の理解を強化し、円形圧力計、液面表示器、デジタル表示を読む計器読み取り能力を追加した。