GoogleのAI『Gemini』で観葉植物が自律移動、水やりを言葉で要求するロボット『Sprout』が登場

前と何が違う？

「具体的に技術のどこが新しいの？」

従来のロボット開発では、部屋の地図作成、障害物回避、画像の判別、音声対話などをそれぞれ別のプログラムとして組み上げる必要がありました。 そのため、試作だけでも数ヶ月から数年の期間がかかるのが普通でした。

今回のSproutでは、各種Geminiモデルを連携させることで、わずか2週間という短期間で完成させています。 具体的に何が変わったのか、5つのポイントで解説します。

リアルタイムの画像・映像認識「Gemini Flash」

Sproutはカメラで周囲の映像を捉え、そこに写っているものをリアルタイムで分析します。

映像解析には「Gemini Flash for Vision」が使われています。 オフィスを巡回しながら、窓辺に置かれた他の観葉植物（カラテアやサンスベリアなど）を正しく認識して識別できます。

デモ画面では、カメラ映像の中に写った葉っぱの病気や変色を検知し、どの植物がどんな状態にあるかを解析する様子が示されています。

ロボットの空間認識とセグメンテーション「Robotics ER 2.0」

ロボットが安全に走るためには、どこが床で、どこに障害物があるかを正確に把握しなければなりません。

ここでは「Robotics ER 2.0」という空間把握に特化したAIモデルが使われています。 LiDARセンサーが取得した点群データ（空間の形を表す点の集まり）とカメラ映像を合成し、部屋の地図をリアルタイムで作成します。

画面上では、オフィスの壁や家具、歩いている人間が緑や赤のポイントで色分けされ、ロボットがぶつからずに迂回するルートを即座に計算している様子が確認できます。

自然な音声対話を実現する「Gemini Live」

Sproutとの会話には、低遅延で自然な対話ができる「Gemini Live for Voice」が採用されています。

従来の音声アシスタントのような「呼びかけてから一拍置いて返答する」ぎこちなさがありません。 人間の相づちに合わせて滑らかに話し、冗談を言うこともできます。

動画内では、開発者が「植物にまつわるジョークを言って」と頼むと、Sproutが「なぜ庭師は電球を植えたのでしょう？ 発電所（Power plant）を育てたかったからです！」と即座に答えて笑いを誘っていました。

外観デザインや構想を支援する「Nano Banana」

ロボットの物理的な外観やケースのデザインには「Nano Banana」と呼ばれる画像生成・デザイン支援AIツールが活用されました。

モンステラの鉢植えをどのようにロボットの上に乗せるか、どんなカバーで機械部分を覆うかといったアイデアスケッチをAIとともに作成しています。

3Dプリンターで青い筒状のパーツを打ち出し、組み上げる工程でも、AIが設計のサポート役として機能しました。

短期間での開発を支える「Antigravity」

ソフトウエア全体の統合と制御コードの記述には「Antigravity」という開発環境が使われました。

複数あるGeminiのAPIや、ロボット用OSであるROS（Robot Operating System）の通信、センサー群のデータを1つにまとめ上げています。

開発者のXavier Plantaz氏は「Geminiによってプロジェクトの推進スピードが劇的に上がった。最初から最後まで約2週間しかかかっていない」と語っています。

数字で見るとどう変わった？

「数値や開発スピードのデータはある？」

動画内で明確に提示された数値データと仕様は以下のとおりです。

• 開発期間：約2週間（構想・デザイン・プリント・実装を含む）
• 搭載スマートフォン：Google Pixel 11（表情出力およびディスプレイ用）
• ロボットベース：TurtleBot 4（iRobot Create 3ベースのシャーシ）

従来のロボティクス開発と比較したベンチマークスコア等の数値は動画内で提示されていません。 しかし、「2週間でマルチモーダルAI搭載ロボットを完成させた」という事実は、開発効率の面で大きなインパクトを示しています。

ライバルと比べてどう？

「他社のAIと比べて何が優れているの？」

視覚と音声を統合し、実世界のロボット制御へ直結させている点が最大の特徴です。

現在の生成AI市場において、競合他社と比較した特徴を整理しました。

• OpenAI（GPT-4oなど）：高度な音声対話や画像認識を備えていますが、ロボットの空間ナビゲーション（LiDAR連動やセグメンテーション）に直接つながるロボティクス向けモデルの一般提供事例はまだ限られています。
• Anthropic（Claude 3.5 Sonnetなど）：パソコンの画面操作や優れた言語思考力を持ちますが、リアルタイムの低遅延音声対話や物理ロボットの制御は守備範囲外です。
• Google Gemini：Gemini Liveによる低遅延な音声通信、Gemini Flashによる高速視覚処理、さらにRobotics ER 2.0というロボット向け専門モデルをすべて自社のエコシステムで揃えています。

このように、画面の中だけで完結せず、物理世界で走るハードウェアとAIを直接繋ぐ総合力において、Googleが一歩先を行く姿勢を見せています。

料金は？

「このロボットを作るのにお金はいくらかかる？」

動画内では、ロボット全体の製造コストやパッケージとしての価格言及はありません。

ただし、使用されているソフトウェア技術の料金体系は以下のようになります。

• Sprout自体は研究・技術デモ用のプロトタイプであり、販売予定および価格設定はありません。
• Gemini API（Gemini Flashなど）は「Google AI Studio」を通じて利用可能で、一定の無料利用枠が用意されています。
• 無料枠を超えた分は、トークン数（AIが処理する文字や画像データの単位）に応じた従量課金となります。
• ハードウェア（TurtleBot 4やLiDARセンサー、Pixel端末）は個別に購入して揃える必要があります。

日本で使える？

「日本の開発者も今すぐ試せるの？」

結論から言うと、ロボット「Sprout」そのものは買えませんが、使われているAI機能は日本からも利用可能です。

日本の開発者が同じような仕組みを試すための手順は以下のとおりです。

1. Google AI Studio（ai.google.dev）にアクセスし、Googleアカウントでログインします。
2. APIキーを発行し、Gemini FlashやGemini Liveの機能を有効化します。
3. カメラやセンサーを備えた開発用環境（PythonやROSなど）からGemini APIを呼び出します。
4. 日本語でのテキスト入力や音声対話にも標準で対応しています。
5. ただし、Gemini Liveのリアルタイム音声機能など一部の最新APIは、提供リージョンや言語によって段階的な展開となっている場合があるため、公式ドキュメントの確認が必要です。

自分にはどう関係する？

「自分の仕事や生活にどう影響するの？」

エンジニアなら

ロボット制御のハードルが大きく下がります。 複雑な画像認識アルゴリズムを一から書かなくても、Gemini APIにカメラ映像を投げるだけで「窓辺にある植物」や「葉の枯れ」を識別できます。 ハードウェア開発とAIAPIの連携ノウハウを蓄積する絶好の機会です。

企画・マーケティングなら

「愛着が湧くプロダクト」の新しい形が見えてきます。 ただ自動で動く掃除機や家電ではなく、感情豊かな表情（Pixel画面）を見せたり、水が欲しいとチャットで頼んできたりする仕組みは、ユーザー体験を劇的に変えます。 ペットのような存在感を持つ新しいスマート家電の企画に応用できます。

経営者・管理者なら

オフィス管理や施設巡回の自動化が現実味を帯びてきます。 今回は観葉植物のお世話でしたが、同じ仕組みを使えば「オフィスの備品チェック」「夜間警備」「清掃箇所の検知」などをAIロボットに任せることができます。 人手不足を補う次世代のオフィスインフラとして期待できます。

まとめ

「これからどう動けばいい？」

Googleが公開した「Sprout」は、AIが画面を飛び出し、物理世界で人間や環境と協調して働く未来を明確に示してくれました。

今後の見通しと、今すぐ取れるアクションは以下の2点です。

• まずは「Google AI Studio」に登録し、Gemini Flashの視覚認識APIを試してみましょう。
• 身の回りのカメラやセンサーとAIを組み合わせ、小さな自動化（例：WEBカメラで植物の変化を検知して通知するシステム）から作ってみるのがおすすめです。