ロボットは間違いなく、AI分野で最も注目されている分野である。今年第1四半期、世界のAIスタートアップ企業は過去最高となる約160億米ドルの投資を集めた。しかし、資金の急速な流入にもかかわらず、ロボットは現実世界に真に普及していない。なぜなら、最も克服しがたいボトルネックが依然として残っているからだ。それは、変数に満ちた世界で、ロボットがこれまで成し遂げたことのないことをどのように実現するかという問題である。
これは、ロボットが必要とするコンテンツが、生成型AIが必要とするコンテンツとは全く異なるためである。大規模な言語モデルは、インターネット上のテキスト、画像、動画を通して世界を理解できるが、ロボットは操作方法を学習する必要がある。同じ動画で、誰かがテーブルにカップを置く様子を映した場合、生成型AIは「誰かがトレイにカップを置いた」と認識できるが、ロボットは、どの方向から手を近づけるべきか、滑り落ちないようにどれくらいの力を加えるべきか、しっかりと握れているかの判断方法を知る必要がある。この情報はオンラインデータには表示されず、Webクローラーを使って大量に取得することもできない。
多くの人は、情報が不足しているのだから、もっと情報を集めるべきだと直観的に考える。しかし、ロボット学習の分野における最近の研究では、ロボットの能力を真に制限するのは、必ずしもデータ量ではなく、データが十分な数の異なる環境から得られたものであるかどうかであることが明らかになっている。研究によると、同じシナリオでは学習の反復回数を増やし続けても、モデルのパフォーマンスはすぐにボトルネックに陥るとされている。逆に、対象物、環境、運用シナリオの多様性が増す限り、データ量が大幅に増加しなくても、汎化能力はより速く向上する。
この結果は理解し難いものではない。カップを手に取るという同じ動作でも、今日はガラスのカップでも、明日はステンレスのカップになるかもしれず、テーブルは今日は平らでも、明日は誰かがぶつかるかもしれないからである。人間はこうした微妙な変化に日々触れているため、ロボットにとってこれがどれほど難しいことなのかを意識していない。
そのため、多くのスタートアップ企業は、ロボットにますます多様な状況を経験させようと試みている。最も直接的な方法は、人間の作業全体を記録するというものである。多くの企業は遠隔操作（Teleoperation）を幅広く活用している。人間がロボットを制御し、関節の角度、力の加え方、操作プロセスなどをすべて記録することで、ロボットがより多くの異なる操作方法を経験すればするほど、現実世界への適応力が向上することを期待している。
また、ロボット自身に経験を蓄積させるという方法もある。Nvidiaが最近リリースしたASPIRE学習システムは、各タスクの失敗理由を分析し、制御プログラムを修正した後、成功した方法を「スキルライブラリ」に保存するというものである。ロボットは、次回同様の状況に遭遇した際に、自ら修正を行うことができるようになる。
3つ目のアプローチはさらに独創的で、非常にリアルな仮想世界で直接、極限的なトレーニングを行うというものだ。心元資本が出資するアメリカのスタートアップ企業・SUDO AIは、純粋なシミュレーション手法を採用しており、ロボットを現実世界に直接展開する前に、仮想環境内で素材、照明、背景、配置方法の無数の組み合わせに繰り返し対応させることができる。
今年6月に米国で開催されたCVPRカンファレンスで、このロボットは聴衆からランダムに質問を受けた。透明な物体、金属、柔らかい素材、さらには小さな錠剤まで、難なく拾い上げることができた。聴衆からの突発的に見える質問は、実はシミュレーション環境で何度も練習されていたものだった。SUDO AIは今年、まさにこの道筋に賭け、20億米ドルを超える企業価値で新たな資金調達ラウンドを達成した。
近年、大規模言語モデルの成功により、十分なデータさえあればAIは向上し続けるという見方が広まっている。しかし、ロボット開発は正反対である。現実世界の最も困難な点は、その予測不可能な変化にある。ロボットにとって、完璧な実験室で完璧な動作を1万回繰り返しても、実際の応用には結びつかない。ランダムな環境で1万通りの異なる課題を経験し、混沌の中に秩序を見出すことによってのみ、真の解決策を見つけることができるのである。
