オープニング
こんばんは、PuriMagicです。夕方の私から、今日は一つのテーマをじっくりお届けしますね。お茶でも飲みながら、ちょっとだけ聞いていってください。
PuriMagic夕刊、10月21日です。今日は、AI研究入門として、ロボットを動かすAIと、その学習データを取り上げます。
人の動画を100万時間学んだNatura-1と、シミュレーションで練習させるGemini 4 Argon、データ不足をどう補うのかを考えます。
ロボットのAIの壁は、データの少なさ
チャット型のAIは、華麗の作り方を細かく説明できます。でも、お皿を洗えるロボットのAIはまだありません。
言語のAIは、ウェブ上の大量の文章で学びました。
ロボットに必要なのは、このカメラ映像の時に関節をこう動かしたらこうなったという記録です。
そうした記録はネットにほとんどありません。
ロボットを動かすAIの一番の壁は、学習に使うデータの少なさなんです。
データの集め方は3つ:遠隔操作、人の作業の撮影、シミュレーション
データの集め方は大きく三つあります。
一つ目は、人がロボットを遠隔操作して記録する方法です。
質は高いものの、1時間分を集めるのに1時間以上かかります。
二つ目は、人の作業を取る方法です。
安く大量に集められますが、人とロボットでは手の形も力も違うのでそのままでは使えません。
三つ目は、シミュレーションです。
いくらでも作れますが、摩擦や柔らかさ、光の当たり方が現実と少しずつズレます。
この差はシムツーリアルギャップと呼ばれます。
ナチュラ1は主に二つ目。
アルゴンは主に三つ目を使います。
Nature WillのNatura-1:人の一人称動画100万時間
まず、ナチュラ1です。
開発したネイチャーウィルは、聖火大学の女教授が2026年1月に北京で設立した会社です。
10月13日にサンフランシスコ発のプレスリリースでナチュラ1を発表しました。
モデルは500億パラメータで、処理内容に応じて一部のネットワークだけを動かす仕組みです。
言語、画像、映像、行動をまとめて学びます。
人が頭にカメラをつけて作業した一人称のデータを100万時間以上使って事前学習し、0.1秒ごとに20自由度の手指令を出すとしています。
手先の細かい操作や長い作業を続けてこなせること、練習していない指示にも従えることを強みとして挙げています。
100万時間の大きさと、公開されていない内訳
100万時間は、1日8時間、年250日働く人なら約500人が1年間撮り続けた量です。
これは記事での私の試算です。
NVIDIAのGrootというモデルが使った人の映像は2854時間なので約50倍になります。
ただ、指の関節の位置まで記録した映像化、ただ撮っただけの映像化で学習の価値は大きく変わります。
その内訳は公開されていません。
また、0.1秒ごと、つまり1秒に10回の指令は指の細かい操作には遅めです。
細かい修正は別の制御ソフトが担っている可能性があります。
Natura-1の技術報告と自社ベンチマーク
その後、Naturevilleは自社のブログで技術報告を公開しました。
実機は他社製の総ワンロボットに20自由度の手を付けた構成です。
12項目の自社ベンチマークで、総合スコアはベース版が53.4%、エージェンティック版が59.1%でした。
比較に使った他社の2つのモデルは、同じ手の機体では点がつかず、2本指のつかみ具を付けた別の機体で13.5%と16.7%でした。
同じ条件の比較ではありません。
課題の一覧や試行回数は公開されていないので、外から数字を確かめることはまだできません。
GoogleのGemini 4 Argon:写真1枚からデジタルツインと練習データ
次に、GoogleのGemini for Argonです。
Googleの開発者ブログによると、Argonは実機の写真1枚からその場面を再現した仮想空間、デジタルツインと77種類の練習課題を作り、4500本を超える練習データを合成しました。
そのデータで汎用のロボットAIを追加学習させたところ、総案のロボットで成功率が56%から75%に上がり、完了までの時間は35秒から24秒に縮みました。
ここで注意したいのは、上がったのはArgonが作ったデータで学んだ別のAIの成績だということです。
Argon自身がロボットを動かしたわけではありません。
Physical Intelligence、NVIDIA GR00T、Figureも人の映像へ
他の会社も人の映像を使い始めています。
フィジカルインテリジェンスが2026年4月に出したモデルは、約50億パラメータで複数のロボットのデータ、失敗を含む自立実行の記録、ウェブの情報、人の一人称映像を混ぜて学んでいます。
NVIDIAのGrootは人の一人称映像2854時間で学び、人のデータを1000時間から2万時間に増やすと平均の作業完了率が2倍を超えたと報告しました。
フィギュアはブルックフィールドが持つ10万個を超える住宅でデータを集めるプロジェクトゴービックを進めています。
人の一人称映像だけでロボットのデータを使わずに移動の動作をロボットに再現させられたと発表しています。
主要な会社はどこも人の一人称の映像を使い始めていて、その映像を直接真似させるかシミュレーションで増やしてから使うかで手法が分かれています。
人の映像とシミュレーションの弱点
ここで弱点も抑えておきます。
人の映像にはどれだけ力を込めたかや指先の感触は映りません。
瓶の蓋を開けるような力のいる作業は映像だけでは学びにくいので、触覚センサー付きの手袋でデータを集める会社もあります。
シミュレーションは布や食品、ケーブルのように形が変わるものの再現が今も苦手です。
アルゴンの56%から75%という結果も硬い小物でのものです。
そしてナチュラ1の数字は自社のベンチマーク、アルゴンの数字はGoogleの発表によるもので、どちらも第三者による検証はまだありません。
PuriMagicの見方:人の動画で基礎、シミュレーションと推論で仕上げ
最後に私の考えです。
私はロボットのAIは人の動画で基礎を作り、シミュレーションと推論で仕上げる順で進むと予想しています。
言語のAIの開発ではまずデータの量で差がつき、その後に推論と試行錯誤による学習で差がつきました。
そうなると人の映像を集める仕組みと強い推論モデルの両方を持つNVIDIAとGoogleが有利だと考えています。
ただし数千台のロボットを実際に動かしている会社がその可動データで大きく性能を伸ばしたと示せばこの予想は外れます。
日本の工場には熟練の作業者の手元があります。
一人称映像と触覚で記録すれば価値の高いデータになります。
ただ映像に映る個人情報の扱いや技能が誰のものかというルールがないとそのデータを社外に出すことはできません。
まとめ
今日の一言まとめです。ロボットのAIの壁はデータの少なさです。
人の動画を大量に学ばせるナチュラワンとシミュレーションで練習データを増やすアルゴン。
どちらの数字もまだ第三者の検証を待つ段階です。
詳しい表や出典はサブスタックの記事にまとめています。
プリマジック有感、10月21日の放送でした。
今日も付き合ってくれてありがとうございます。
気になった繋がりは頭の隅に置いておいてくださいね。
プリマジックでした。またね!