Physical Intelligence：ロボット基盤モデルの器用さは予想を上回るペースで向上、しかし真のボトルネックは「常識的推論」へ移行
Physical Intelligenceの共同創業者セルゲイ・レヴィーン氏へのポッドキャストインタビューが明かす、汎用ロボット工学の現状とロードマップ
Physical Intelligenceの共同創業者兼研究者であるセルゲイ・レヴィーン氏が、汎用ロボット工学の現在地について、極めて詳細な技術的見解を明らかにした。そこで浮かび上がったのは、外部の多くのオブザーバーが想定している以上に器用さ（デクステリティ）の面では進化が進んでいる一方で、これまであまり指摘されていなかった課題、すなわち物理的な制御そのものではなく「中レベルのセマンティック（意味的）推論」が制約要因となっているという現実だ。長尺インタビューシリーズの一環として行われたこの対談は、過度な誇大広告ではなく、創業以来、同社の研究者自身にとって何が予想外であり何が予想通りであったのかを率直に開示している点で注目に値する。
ボトルネックは物理的スキルから推論へ
この対談で最も示唆に富む開示は、Physical Intelligenceのモデルがすでに一つの閾値を越えているという点だ。もはや追加の遠隔操作（テレオペレーション）データの投入によってさらなる性能向上が図られる段階ではなく、単にロボットと「対話する」ことによって改善が進む段階に達しているという。レヴィーン氏によれば、約6ヶ月前に行われた社内実験において、チームは失敗を修正するための低レベルな遠隔操作データの追加を止め、代わりに既存のロボットの経験に対してより高レベルなセマンティック命令のラベル付けを行った。「それによって汎化能力が実際に向上しました」と同氏は述べ、「ボトルネックは、ロボットが物理的にタスクを遂行する能力という最下層から、シーンを解釈して次の正しいステップを選択する中層へと移行していました。現在ではこの中層こそがシステム上のボトルネックであり、言語によって教師あり学習を行うことが可能です」と説明した。実践的には、これはロボットの性能向上が、コストがかかる物理的デモンストレーションデータの収集ではなく、自然言語によるコーチングを通じて達成できることを意味しており、これらのシステムをスケーリングする際のユニットエコノミクス（単位経済学）における大きな転換点と言える。
器用さとクロス・エンボディメント汎化が社内予想を上回る
レヴィーン氏は、器用さの進展スピードが自身の事前予想を上回っていることを明確に示した。「器用さに関しては、我々が思っていたよりもはるかに多くの進展がありました」と同氏は述べ、同一のモデルが、制御対象がどのようなロボットであるかという情報やアーキテクチャの変更なしに、異なる自由度や多指ハンドを持つロボット間ですんなりと移行（トランスファー）した点を指摘した。新しい技術ではなく新しいデータによるファインチューニングだけで達成されたこのクロス・エンボディメント（異体型間）汎化は、基盤モデルが多様なハードウェアプラットフォーム間で研究開発（R&D）コストを償却できるかどうかを見極めようとする投資家にとって、重要なデータポイントとなる。これは「ロボット基盤モデル」への投資テーゼ全体を支える極めて重要な柱である。
実データとシミュレーションの乖離は未解決かつ重大な課題
業界内におけるもう一つの鋭い技術的見解として、レヴィーン氏が「過小評価されている」と指摘するアプローチの分断がある。人型（ヒューマノイド）ロボットがアクロバティックなデモを行う際には「実際には実データをほぼゼロにし、シミュレーションにほぼ完全に依存」している一方、Physical Intelligenceが注力するロボットマニプレーション（把持・操作）システムは、シミュレーションを最小限に抑え、実データと大規模な基盤モデルに強く依存しているという。「これら2つのロボット領域において、主流のアプローチがこれほどまでに異なっているというのはある意味で驚きです」と同氏は述べ、どちらのパラダイムが最終的に勝利するのか、あるいは両者が統合されるのかは依然として不透明だと付け加えた。これは資本配分に直接的な影響を及ぼす未解決のアーキテクチャ上の疑問であり、セクター内の各社が採用するデータ収集コストの構造やタイムラインを大きく左右する。
ハードウェアコストの急落が構造的障壁を排除
レヴィーン氏は、現在のロボット工学投資の波を支えるハードウェアのコスト低下曲線について具体的な数字を挙げた。彼が10年前に使用したPR2ロボットは約40万ドルだったが、UCバークレーで自身のラボを立ち上げた時点での同等機種は約3万ドルに下がり、現在では単一のロボットアームはその10分の1のコストになっており、同氏はさらなる下落を見込んでいる。これはハードウェアとソフトウェアの進化の組み合わせによるものだという。伝統的な高精度制御手法では使い物にならない安価な低精度アクチュエータや最小限のセンサーであっても、それらを補う学習ベースのシステムと組み合わせることで十分に実用可能になるからだと同氏は説明する。Physical Intelligence自社のプラットフォームでも、タッチセンサーや力覚センサーを一切使用せず、3台のカメラのみという意図的に極限まで削ぎ落としたハードウェア構成を採用している。これは「学習がセンシング用ハードウェアを代替できる」というテーゼに基づいている。
タイムラインの不確実性は未解決のデータ戦略に直結
Physical Intelligence自体のタイムラインに対する確信度が、いまだ回答の出ていない一つの実証的疑問にかかっている点について、レヴィーン氏は異例の率直さで言及した。今後のスケーリングが主に人間の遠隔操作デモンストレーションに依存するのか、それとも稼働中のロボットが自律的に収集する強化学習データに依存するのかという、「90対10か、10対90か」の分かれ目がそれだ。「創業当初と比べると、タイムラインに対する見通しはより楽観的になりました」と彼は語る一方で、どちらのデータパラダイムが勝つかによって適切なビジネスおよび技術アプローチが「劇的に変化する」ため、これらは今後数年間のうちに実証的に解決されるしかないとクギを刺した。多額の資金調達ストーリーの中心にある企業としては異例の率直な開示であり、投資家は、このセクターを巡るベンチャー特有の誇大な物語よりも、ロボット工学の実現時期に対してより慎重な姿勢を持つべきであることを示唆している。
技術が最も苦戦するのは物理的複雑さではなく「人間とのインタラクション」
最も困難な残されたタスクは何かと問われたレヴィーン氏は、器用さを要する雑務ではなく、人間との物理的なインタラクションを伴うタスクを挙げた。具体的には高齢者介護や育児、とりわけおむつ交換などが、ロボットが能力を獲得するまでに最も時間がかかる分野の一つになるだろうと指摘した。「あれこそがモラベックのパラドックスの真の頂点だと思います」と同氏は述べ、人間が進化の過程でいかに努力もなしに行えるようになったタスクであるか、その難しさを人間は体系的に過小評価していると論じた。これは、垂直市場ごとのTAM（獲得可能市場規模）をモデル化している投資家にとって直接的な意味を持つ。ケア分野における最高価値かつ支払い意欲の最も高い領域こそが、技術的な到達が最も遅い領域である可能性がある一方、ホテルの客室清掃やレストランのサポートといったより日常的な商業タスクは、短期的に比較的取り組みやすい市場機会となる。
ビジネスの導入は労働者の全面置き換えではなく「コーディング・コパイロット」のようになる
レヴィーン氏は、「ロボットが労働者に取って代わる」という二項対立的な見方に異議を唱え、AIコーディングツールがソフトウェアエンジニアリングの形をどのように変えたかという直接的な類推を用いた。「コーディングツールが登場したからといって、突然ソフトウェアエンジニアが不要になったわけではありません」と同氏は述べ、ロボット工学的導入も同様に、人間とロボットがタスクを分担し合う「ダンス」のようなものになると予測する。ある時はロボットが人間の傍らで働き、またある時は人間がロボットの生産性を高めるために環境を整える、あるいはその逆の状況が続くだろうという。導入のタイミングを評価する企業に対してレヴィーン氏は、「単により多くのデータを収集すればよい」という素朴な前提はしばしば間違っていると警告する。なぜなら、データの量よりも質と種類の方が重要であり、それは業界がまだ合意に至っていない未解決のアーキテクチャの賭けに大きく依存しているからだ。
ロボットシステムが人間の能力を最終的に凌駕する領域
器用さの同等性を超えて、レヴィーン氏は近い将来に人間を超越する具体的な能力を挙げた。それは「タスクの速度」である。人間のデモンストレーターは認知処理のために頻繁に作業を中断するが、その処理はアルゴリズム的に排除・加速が可能である。そして長期的には、ロボット手術などの器用な精密作業のためにリアルタイムの人間による遠隔操作を必要としなくなれば、クアッドコプターの群れ（スウォーム）や、人間の操作インターフェースに縛られない手術用ロボットなど、規模やフォームファクターの面で人間を凌駕する可能性が開かれると指摘した。