ヒューマノイドロボットの「AI革命」、研究者が指摘する過大な期待と技術的課題

何が主張されているのか

人型のロボットが動画で目に触れる機会が増えている。白い本体に黒い頭部と胴体を持つテスラのOptimusは、踊ったり、ポップコーンを渡したり、ゴミを捨てたり、掃除機をかけたり、電子レンジのボタンを押したりする様子が公開されてきた。一方で、水筒を配るときに後ろに倒れたり、シャツのアイロンがけに苦戦したりする映像も出回っている。

テスラのイーロン・マスクCEOは、Optimusについて「テスラ史上最大の製品というだけでなく、おそらく史上最大の製品になる」との見方を示している。7月の株主向け発言では「人間並み、そして超人的な器用さを備えるようになる」と述べ、1台2万ドルでほぼすべての人間労働を自動化できる可能性があると主張した。1月の世界経済フォーラム年次総会（ダボス会議）では、2027年末までに一般販売が始まる可能性を予測している。

同様の期待は業界に広がる。アンドリーセン・ホロウィッツ共同創業者のマーク・アンドリーセン氏はロボティクスが「地球上の歴史で最大の産業」になり得ると述べ、Nvidiaのジェンスン・フアンCEOは1月、ヒューマノイドロボットが今年中に人間並みの能力に達すると発言した。モルガン・スタンレーは2050年までに「人間に似て行動する」ロボットが10億台近くに達し、5兆ドル超の市場になるとの見通しを示している。ただし研究者の多くは懐疑的で、AIの「ゴッドファーザー」の一人と呼ばれるヤン・ルカン氏は1月のダボス会議の別イベントで、ヒューマノイドロボットを手がける企業について「絶対にどの企業も、ロボットを実用的なほど賢くする方法を分かっていない」と述べた。

ロボットAIの技術的な変化

Google DeepMindが研究に使うALOHA 2は、人間型ではなく「双腕遠隔操作のための低コスト・オープンソースのハードウェアシステム」を意味する。机の上に腕が2本、グリッパーとカメラを数台備えただけの装置だが、同社の最先端ロボットAI「Gemini Robotics」を検証するための主力プラットフォームになっている。公開された動画では、制御されたALOHA 2が白いパンを袋に入れて閉じ、ブドウを容器に入れてふたを閉め、それらを弁当箱に詰めてジッパーを閉じる様子が確認できる。出来上がる弁当は大したものではないが、3年前にはできなかった水準への前進だと記事は位置づけている。

この進歩を支えるのが「ロボットポリシー」の変化だ。ロボットポリシーとは、汎用ロボットが周囲を認識し、どう動くかを計画し、タスクを実行するための制御方針を指す。従来はエンジニアが数千行のコードを書き込み、数百のタスクについてミリ単位の動きを規定していた。ここ数年でこれが高度なAIシステムに委ねられるようになり、汎用ロボットへの期待が高まっている。

最初の変化は視覚言語モデル（VLM）だった。画像と言葉の両方で訓練されたモデルで、こぼれたコーヒーの写真を見せて掃除道具を探すよう頼めば、近くの布を特定できる。次が視覚言語行動モデル（VLA）で、環境の評価に加えて動作コマンドを扱える。遠隔操作などで集めた動作データで訓練され、「ノートパソコンを閉じて」といった指示に対して対象物を特定し、動作を計画して実行する。ただしVLAには明白な限界があり、訓練データに含まれないタスクを求められると失敗する可能性が高い。インペリアル・カレッジ・ロンドンのエドワード・ジョーンズ教授は、真の汎用ポリシーならあらゆるタスクをこなせるはずだが、現状のモデルは「あちらで少し、こちらで少し」しかできないと指摘する。

訓練データ不足という壁

では、どうすればロボットができることを増やせるのか。一般的な答えは、より多くのデータで訓練することだ。Google DeepMindでロボティクスの技術リードを務めたパンナグ・サンケティ氏は「できるだけ多くのデータ」を集めたいとしている。

しかし大規模言語モデルと違い、ロボットには訓練に使える高品質な実演データの蓄積がない。人手による遠隔操作データの作成はコストと時間がかかり、人間の作業動画はデータ品質が低く、実環境にロボットを配備してデータを集める方法はラボの外では安全性と信頼性に難がある。サンケティ氏はこれらを組み合わせた「マルチプラング」なアプローチが最も現実的だと見ている。

データ量だけでは解決しないという見方も強い。アジリティ・ロボティクスのジョナサン・ハースト氏はこれを「根本的に欠陥のある前提」だと述べる。例えばコーヒーを入れるだけでも、キッチンの形状、コーヒーマシンの方式、カップの握り方、粉・湯・ミルクの扱いがすべて異なる。汎用性をVLAで達成するには、ロボットが起こし得るすべてを網羅するデータ、事実上ほぼ無限の訓練データが必要になるという。ハースト氏は、人間に似た見た目のロボットを作るのは容易だが、人間のように動く機械を作るのは「劇的に難しい」とも指摘している。

世界モデルという別の道

ルカン氏は、言語で成功したAIのアプローチは「高次元で連続的、かつノイズの多いデータ」には効かないとし、「何か別のものを使う必要がある」と述べている。有力な候補が「世界モデル」だ。テキストよりも映像・3次元スキャン・センサーデータを組み合わせて訓練し、実世界での行動の結果を予測するAIを指す。

物体がどう動き、衝突し、落ち、変形するかを捉えられるほど精緻な内部表現を持つことを目指す。現実の物理に忠実なシミュレーションで訓練できれば、開発は速く安く安全になり、実機での試行錯誤を減らせる可能性がある。世界モデルを備えたロボットは、周囲に反応するだけでなく、行動の結果を先に予測して考えることができるようになるとされる。

NvidiaやGoogleなどが取り組むほか、投資も集まっている。スタンフォード大学のAI研究者フェイフェイ・リー氏が共同創業したWorld Labsは2月に10億ドルを調達し、9月末にAMDに82億ドルで買収された。ルカン氏が共同創業したAMI Labsも3月に10億ドルを調達している。ただしリー氏自身がこの分野を「初期段階（nascent）」と表現し、「基盤となるアプローチはまだ確立途上にある」と述べている。