ロボットがどう学ぶべきかについての、2つの異なる賭け
古典的なロボット工学は、タスクを手作業で構築する。知覚モジュール、プランナー、逆運動学ソルバー、状態機械、そして一つのロボット、一つのグリッパー、限定された一群の物体に合わせて調整された何千行もの制御コードである。それは価値あるもの——システムが何をし、何をしないかについての形式的な保証——を提供するが、転用が効かない。新しいタスク、あるいは新しいロボットアームは、通常、このスタックの大部分を書き直すことを意味する。
2023年以降この分野を作り変えている賭けは、それとは異なる。大規模言語モデルを生み出したのと同じレシピ——膨大なデータセット、トランスフォーマー、そしてスケール——が、ロボット制御にも通用するはずであり、テキストや画像において発見されたのと同じように、身体的な技能についての汎用的な「多様体」を発見できるはずだ、というものである。それは確定した事実ではなく仮説であり、これまでの証拠は本当にまちまちである。本ページは、実際に何が、誰によって実証されたのか、そしてこうしたシステムを構築している当事者たちが依然として未解決だと言っている問題は何かを示す。
最初の証拠:行動トークンとロボット間転移
2023年7月に発表されたGoogle DeepMindのRT-2は、この着想に対する早期の具体的な検証だった。DeepMindは、行動予測のための別個のモジュールを構築する代わりに、ロボットの行動トークンを視覚言語モデル自身の出力語彙に直接組み込んで訓練し、画像を言葉で説明するのと同じネットワークが、モーターへの指令も発することができるようにした(arXiv:2307.15818)。6000回の評価試行にわたり、未知の物体と環境への汎化は、従来のタスク特化型のベースラインのおよそ3倍優れていた——ウェブ規模の視覚・言語知識が、実際に操作に有用な情報を何らか運んでいるという証拠である。
その3か月後、34の機関による共同研究が、RT-XとOpen X-Embodimentデータセットでさらに一歩進んだ。数十種類の異なるロボットタイプからのデータを統合し、550億パラメータの単一モデルをそのすべてにわたって訓練したのである(arXiv:2310.08864)。それは、同じアーキテクチャの50億パラメータ版よりも、実質的に高い創発的技能の成功率を示した——スケールが、単一のロボット内だけでなく、異なるロボットの身体をまたいだ転移を特に押し上げるという早期の兆候である。
ロボットの身体向け基盤モデルが乱立する分野
この結果は、それぞれ異なるアーキテクチャを持ち、それぞれが独立に検証された事実というより企業側の主張として読まれるべき主張を掲げる、企業製「ロボット基盤モデル」の波を引き起こした。
Physical Intelligenceのπ0(2024年10月)は、PaliGemma視覚言語モデルとフローマッチング行動ヘッドを組み合わせ、8種類のロボット身体にわたって訓練され、洗濯物をたたむ、テーブルを片づける、食料品を袋詰めするといったタスクを実演した。この分野では珍しく、Physical Intelligenceは重みとコードを「openpi」としてオープンソース化し、その結果を、信頼するしかないものではなく独立に再現可能なものにした。それでも同社自身の評価は率直だった。「汎用ロボット方策はまだ初期段階にあり、我々にはまだ長い道のりがある」(Physical Intelligenceブログ、2024年10月31日)。より新しいバージョンであるπ0.7は、ロボット身体をまたいだゼロショット汎化を主張しているが(arXiv:2604.15483)、本稿執筆時点でその主張は、独立には再現されていないプレプリントに基づいている。
NVIDIAは2025年3月、初のオープンなヒューマノイド基盤モデルとしてGR00T N1をリリースし、続いて2026年4月にはGR00T N1.7をリリースした。これは、2万854時間の人間の一人称視点映像で訓練され、3種類の異なるロボットプラットフォームで検証された30億パラメータのモデルであり、重みはHugging Face上で公開されている。NVIDIAは、その一人称視点の訓練データをおよそ20倍にスケールさせることで、器用さを要するタスクにおいて「平均タスク完了率が2倍以上になる」と報告している——これは独立したベンチマークを伴わないため、NVIDIA自身の主張として注記しておく価値がある(Hugging Faceブログ、2026年4月17日)。後継のGR00T N2は、2026年3月のGTCにおいて、行動する前に将来の状態を予測する「世界行動モデル」としてプレビューされた。基調講演での、主要なベースラインより「2倍以上の頻度で」新奇なタスクに成功するという主張は、2026年9月時点では、テスト済みのものというよりまだ未発売の製品についての主張にとどまっている。
Google DeepMindのRT-2の後継であるGemini Robotics 2(ER 2とも呼ばれる)は、上半身のデモンストレーションから、Apptronikの Apollo 2による全身のヒューマノイド制御へと移行し、結び目を作ったり袋を封じたりするタスクのための、22自由度の5本指の手の制御も含む。DeepMind自身が開示した数字は、この分野で最も率直なものである。全身操作での成功率は45.7〜76.3%、多指の器用さについては32〜92%と非常にばらつきがあり、DeepMindは「多指による器用な操作は依然として難しい」とはっきり述べている(DeepMindブログ、2026年7月30日)。このリリースについてのBloombergの見出しは、さらに率直にこう述べている。Googleのロボットは「器用さに苦戦している」(Bloomberg)。
最も明確なビフォーアフター:FigureのHelix 02
このアプローチのもとで何が変わるのかを示す、単一の最も明確な例はFigureからもたらされている。同社の当初のHelixシステム(2025年2月)は、2部構成の「System 1/System 2」アーキテクチャを用いていた。7〜9Hzで推論する70億パラメータの視覚言語モデルが、200Hzで微細な運動制御を行う8000万パラメータのトランスフォーマーに入力を渡す構成であり、訓練に使われたデータはわずか500時間ほど——Figureによれば、従来のVLA(視覚言語行動)データセットの5%未満の規模である(Figureブログ、2025年2月20日)。
2026年1月にリリースされたHelix 02は、Figureが「System 0」と呼ぶ第3の層を追加した。これは、20万を超える環境でのシミュレーションと、1000時間を超える人間の動作の再ターゲティングによって完全にシミュレーション内で訓練された、1000万パラメータ、1kHzの全身バランス制御器である。それが何に取って代わったのかについてのFigure自身の説明は、この分野のどこを探しても見つからないほど鋭い新旧比較である。System 0は「10万9504行の手作業によるC++コードを、安定した自然な動きのための単一のニューラル事前分布に置き換える」(Figureブログ、2026年1月27日)。これは、列挙され手作業で調整された制御ロジックという古典的ロボット工学のパラダイムが、一つの企業自身の説明の中で、学習済みモデルによって丸ごと置き換えられていることを示している。Figureは、人間によるリセットなしで、4分間、61アクションからなる食洗機への食器詰め込みタスクを実演したが、同じリリースの中で「結果はまだ初期段階だ」とも断っている。
Boston DynamicsとトヨタResearch Instituteは、AtlasヒューマノイドにおけるLarge Behavior Model(大規模行動モデル)の研究から、関連するがより控えめな発見を報告している。以前は手作業でのプログラミングが必要だった能力を、いまでは新しいコードなしに追加できる。一つのモデルがロボット全体を直接制御しているからである(Boston Dynamicsブログ、2025年8月)。2026年の追跡研究では、タスク特化型のファインチューニングの後、事前学習済みの行動モデルは、ゼロから訓練する場合と比べて、タスク特化型のデータがおよそ3〜5分の1で済み、条件の変化に対してもより頑健だったことが分かった(TRI)——これは本物だが限定的な効率向上であり、自由度の高い汎用性の証拠ではない。
テスラのOptimusプログラムは、透明性の点でこの分野の最も明確な例外である。2025年6月にOptimusを引き継いだイーロン・マスク氏とアショク・エルスワミー氏は、テスラが運転支援ソフトウェアに使っているのと同じ「光子が入り、制御が出る」エンドツーエンド型のアーキテクチャを説明している。DeepMind、NVIDIA、Physical Intelligence、Figureとは異なり、テスラはこのアーキテクチャについての技術論文を公表しておらず、あるのはカンファレンスでの発言と決算説明会でのコメントだけである(Not a Tesla App、テスラの2026年第2四半期決算説明会の要約、2026年8月)。
狭い記録は、汎用的な能力ではない
北京で開催されたWorld Humanoid Robot Games(2026年8月22〜26日)は、狭い能力と汎用的な能力の区別を具体的に示した。666チームから出場した2056台のロボットのうち、Tiangong Ultraという1台の機械が100メートルを8.64秒で走った——ウサイン・ボルトの人間の世界記録9.58秒よりも速い。同じ大会において、サッカー、ボクシング、重量挙げの種目についての報道は、非構造的で接触の多い状況でロボットが苦戦する様子を伝えていた(Al Jazeera)。再現可能で、エンジニアリングされた短距離走は、予測不可能な環境における柔軟な能力とは同じ達成ではなく、この大会は、そのギャップを抽象論としてではなく、同じ週のうちに具体的に示したのである。
現実に引き戻す視点
Google DeepMindでロボット工学を率いるビンセント・ヴァンフーケ氏は、この潮流全体について入手可能な最も鋭い現実確認を提供している。「ロボット学習のアプローチの大半は——すべてとは言わないまでも——いかなる実用的なタスクにも展開できない」。実際の展開には「99.X パーセント以上の精度と信頼性」が必要とされるのに対し、学術的なデモンストレーションが報告するのはおよそ80%の成功率であり、彼の言葉を借りれば、これは「根本的に異なる獣」であって、より多くのデータで解決できるスケーリングの問題ではない(IEEE Spectrum、2024年5月28日)。
iRobotとRethink Roboticsの共同創業者であり、MITのロボット工学者であるロドニー・ブルックス氏は、特に映像模倣による訓練がなぜ間違った基盤なのかについて、さらに踏み込む。触覚には、現行のパイプラインが決して捉えることのないチャネルが関わっており、彼が引用する神経科学の研究は、人間の皮膚に少なくとも15の異なる系統の触覚感知ニューロンが存在することを特定している。彼は、今日の操作のデモンストレーションを初期的で限定的なものだと呼び、ヒューマノイドが数十年のうちに人間レベルの汎用的な器用さに到達するという主張を「純粋な空想的思考」だと退けている(TechCrunch、2025年9月26日)。
両方のことが同時に真である。基盤モデルによるアプローチは、手作業でコード化された制御が決して達成しえなかった、本物の、測定可能なロボット間の転移を生み出してきた。そして懐疑派だけでなく、数字を公表しているすべての信頼できる研究所が、産業用・家庭用の信頼性が実際に必要とする水準にはほど遠い成功率を報告しているのである。