この回の動画
ナレーションは AI 合成音声です。 動画の章・文字起こし・出典
文字起こし
文字起こし
知行の問い
ロボットの研究は何十年も続いてきました。なのに、なぜここ数年で、急に手が使えるようになったのでしょうか？答えは三本の曲線です。同じ時期に、そろって上を向きました。データ、モデル、そして計算力。今回は一本ずつ見ていきます。
データ
ロボットに教えるのは、弟子を育てるのに似ています。何度も何度も見せなければなりません。でも以前は、どの研究室も、自分のロボットの少しのデータしか持っていませんでした。二千二十三年、ある論文が、にじゅういちの機関のデータを一つにまとめました。ロボットは二十二種類、スキルは五百種類以上です。さらに大きな一歩は、人の作業を直接見て学ぶことでした。二千二十六年のはじめ、ある論文は、二万時間を超える映像を使いました。人がカメラを身につけて作業しながら撮ったもので、ロボットのモデルの土台づくりに使われました。ロボットって、ほんとに人から学べるんだ！
モデル
データがそろっても、それを消化できるモデルが必要です。チャットAIの裏にある大規模モデルは、膨大な画像と文章を見てきました。コップも分かるし、机も分かります。二千二十三年、Googleの論文が、ある方法を考えました。ロボットの動作も、一続きの「単語」として書く。すると、モデルは画像を見て、そのまま動作を言えるのです。研究チームの報告では、六千回の実機テストで、見たことのない物に出会っても、よりうまくできました。二千二十六年には、こうしたモデルが公開され、商用利用もできるようになりました。四月には、ある半導体メーカーが、ヒューマノイド向けのモデルを出しました。パラメータの規模は、三十億です。その事前学習に使われたのが、さっきの二万時間を超える人の映像です。ここで、データとモデルがつながりました。絵を見て話すモデルが、手を使えるようになったんだ！
計算力
最後は計算力です。モデルを学習させるのにも計算がいるし、ロボットが働くときも、体の中で計算がいります。次は学習です。最先端のAIモデルの学習に使う計算量は、毎年よんから五倍に増えています。これは研究機関による集計です。ロボットのモデルは、こうした大規模モデルの肩の上に立っています。ロボットの体の計算モジュールも、急速に強くなっています。公式の値では、特定の精度で、ピーク性能は前の世代の7.5倍です。計算力が追いついて、ようやく大規模モデルをロボットに載せられるようになりました。見ながら、考えながら、動きながら。三本の曲線は、別々に見れば、どれも新しくはありません。新しいのは、同じ時期にそろって上を向き、互いに押し合って進んでいることです。ただし、曲線が上を向いても、問題が解けたわけではありません。前回見たように、作業の途中で何かがずれると、ロボットはまだ立て直せないことが多いのです。ふりかえりです。ポイントは三つ。一つ、データ。研究室ごとに集めていた時代から、人の作業を見て学べる時代へ。二つ、モデル。膨大な画像と文章を見てきた大規模モデルが、動作を出力できるようになった。三つ、計算力。学習でも、ロボットの体の中でも、追いついてきた。だから、ロボットがいきなり頭がよくなったんじゃない。三つの条件が、やっとそろったんだ！じゃあ、ロボットの一秒間には、いったい何が起きているの？また次回！
根拠と出典
22種類 · のロボットのデータを一つのデータセットに（21機関、527スキル） [R] · arXiv 2310.08864 · Open X-Embodiment
練習とセルフチェック
小テストは公開で、回答するとすぐ解説が出ます。読み物の練習問題の答えはログイン会員向けです。
ロボットは何十年も研究されてきたのに、なぜよりによってここ数年で、急に手を動かせるようになったのでしょうか。「フィジカルAIラボ」第 0.2 回の答えは 3 本の曲線です。データ、モデル、計算資源が同じ時期にそろって上向き、しかも互いに押し上げ合っています。この記事はその回のテキスト版で、すべての数字の出典を示し、どれが著者や企業の自己申告かを明記します。
補足：この記事は単独で読めるようになっており、第 0.1 回と同じ例を使います。テーブルの上のカップを持ち上げ、隣の水のボトルを倒さない、という例です。
1. データ：各自でためる時代から、人の作業を見て学ぶ時代へ
ロボットに教えるのは弟子を育てるのに似ていて、まずお手本を何度も見せる必要があります。これまでの問題は、各研究室が自分のロボットのわずかなデータしかためておらず、形式も機種もタスクもばらばらで、互いに使い回せないことでした。
機関をまたいでデータを集める。2023 年 10 月に投稿された Open X-Embodiment の論文は、21 の機関のデータを 1 つにまとめました。論文によれば、データセットは 22 種類のロボット、527 のスキル（160,266 タスク）を含み、その上で RT-X モデルを学習させて、プラットフォームをまたいだ正の転移を報告しています。
人の作業を直接見る。ロボットのデータはどれだけ集めても、人が遠隔操作で 1 本ずつ収集しなければなりません。より大きな一歩は、人の動画から学ぶことです。2026 年 2 月に投稿された EgoScale の論文は、行動のアノテーションが付いた一人称視点動画（egocentric video。人がカメラを身につけ、自分の目の位置から撮影した動画）20,854 時間を使って、視覚・言語・行動モデルを事前学習しています。論文によれば、これは従来の同種の研究より 20 倍以上大きく、データ規模と検証損失の間には対数線形のスケーリング関係が見られ、最終的な方策は 22 自由度の器用なハンド上で、人のデータによる事前学習を行わないベースラインと比べて平均成功率が 54% 向上しました（相対値かパーセントポイントかは論文に明記されていません）。20,854 時間は、休みなく再生すると約 2.4 年に相当します。
ログインすると、このレッスンの続きと確認問題、解答を読めます。
制約と注意点
- 論文による 3 つの数字（22 種類のロボット、20,854 時間、6,000 回）は、いずれも著者の自己申告です。EgoScale は 2026 年のプレプリントで、まだ査読を経ていません。
- GR00T N1.7 の「商用利用可」は NVIDIA のブログの表現に基づくものです。具体的なライセンス条項は、使用前にモデルページのライセンスで確認してください。
- 「3 本の曲線」は理解を助けるための枠組みであって、因果関係の証明ではありません。ロボットの能力の進歩は、ハードウェア本体、シミュレーション、評価方法など、この回で取り上げていない要因にも左右されます。
リンク
- Open X-Embodiment: Robotic Learning Datasets and RT-X Models（arXiv 2310.08864）
- EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data（arXiv 2602.16710）
- RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control（arXiv 2307.15818）
- NVIDIA Isaac GR00T N1.7（Hugging Face ブログ）
- Epoch AI: Training compute of frontier AI models grows by 4-5x per year
- NVIDIA: Jetson Thor Now Available
