Physical Intelligence対談：汎用基盤モデルと強化学習によるロボット向け「ユニバーサルブレイン」の構築
2026年9月2日 | Embodied AIの第一人者、Sergey Levine氏とのディープダイブ
はじめに：Physical Intelligenceの定義
ホスト：本日のゲストは、Physical Intelligenceの共同創業者兼リサーチャーであるSergey Levine（セルゲイ・レヴィン）氏です。免責事項として申し上げますが、私は同社がロボット工学が直面する最も重要な課題に取り組んでいる優れた企業の一つであると確信しているため、Physical Intelligenceの投資家でもあります。本日お話しするように、ロボット工学には「カカシのジレンマ」とでも呼ぶべき問題が存在します。あらゆる種類の興味深いバリエーションにおいて、驚くべき物理デバイスの実現可能性が高まっているものの、それらのデバイスが真に必要としているのは知性、すなわち「脳」であり、それこそがPhysical Intelligenceで開発されているものです。同社は、あらゆる物理ロボットを、あらゆる環境であらゆるタスクに対応させることが可能な基盤モデルの開発を目指しています。この困難な挑戦には、世界最高峰の研究者たちの結集が不可欠であり、セルゲイ氏はその課題解決を率いるリーダーの一人です。本日の会話では、ロボット工学が直面するすべての課題と、それらを解決することの途方もない可能性について網羅的に議論していきます。セルゲイ氏との素晴らしい対談をお楽しみください。
ホスト：テクノロジー分野において最もエキサイティングで影響力のある領域について学べる、本当に楽しみで充実した時間になりそうです。過去の経緯に触れる前の導入として、ご自身の視点からPhysical Intelligenceという企業を定義していただけますか。
Sergey Levine：根本的に、Physical Intelligenceの目標は、基本的にあらゆるエンボディドシステムを制御し、いかなるタスクも実行できるロボット基盤モデルを開発することです。大まかに言えば、言語モデルが言語で表現できるあらゆるタスクを実行可能なシステムへと急速に進化しているのと同様に、私たちは物理的な駆動デバイスによって遂行可能なあらゆるタスクを実行できる、新しいクラスのモデルを構築したいと考えています。当社の背景にあるテーゼの一つは、汎用性を極限まで高めたアプローチをとる方が、きわめて限定的で狭い特定アプリケーション領域を個別に対処するよりも、長期的にはむしろ容易になるという確信です。言語モデルのケースでも、機械翻訳や感情分析を狭くターゲットにするよりも、自然言語タスクの完全な汎用性を解決する方が結果的に容易だったのと同様の構図です。
汎用化対ドメイン特化型システムのトレードオフ
ホスト：食器洗いなど特定の作業のみを行うロボットを作るのではなく、なぜこのようなアプローチにかけるのか、その理由は一見すると自明ではないかもしれません。理解すべき主要なトレードオフは何であり、なぜその決定を下したのでしょうか。
Sergey Levine：2つの側面に分けてお答えしましょう。1つ目は言語モデルとの類推であり、2つ目はそれがロボット工学の世界で何を意味するかという点です。1つ目はエビデンスに基づいています。自然言語の世界において、特定の課題に取り組むドメイン特化型のソリューションを開発しようとする試みが数多く見られました。例えば、英語とフランス語の相違点を徹底的に研究して機械翻訳システムを構築するといった具合です。言語モデルがこれらすべての異なるアプリケーション領域を席巻することになった理由は、より広範なデータソースを活用できるからです。
Sergey Levine：これは、あるアプリケーションのデータと別のアプリケーションのデータを単純にマージしたというほど単純な話ではありません。実際にはそれ以上の意味を持ちます。言語モデルのケースにおいてウェブからマイニングしたデータのような、弱くアノテーションされた（weakly labeled）データを活用できる場合、世界に関するより深い理解を獲得することができます。世界の理解という基盤を確立し、その基盤の上にさまざまなアプリケーションを構築していく方が、はるかに効果的であることが判明したのです。
Sergey Levine：これをロボット工学に当てはめると、計算の図式はまったく同じようにはいきません。ロボット工学には、そのまま活用できるインターネット規模のデータセットが存在しないからです。しかし、「世界を理解する」という概念は、ロボット工学においてむしろ一層重要となります。多数の異なるタスクや物理システムが存在する場合、個別の食器洗い専門ロボットや洗濯物折り畳み専門ロボットをそれぞれ訓練するのではなく、物理的なインタラクションを真に理解するモデルを訓練することが可能になります。人間は、物理的インタラクションを理解しているため、新しいスキルを極めて迅速に習得できます。馴染みのない新しい状況で何が起こるかを直感的に把握できるため、物事を非常に素早く立ち上げることができます。多くのソース、多数のアプリケーション、そして多数のロボットからのデータを活用できれば、物理的理解を備えたモデルを構築でき、そのプラットフォームの上に新しいアプリケーションを実装することが格段に容易になります。
汎用モデルの課題と「ニッチなデモ」の罠
ホスト：ロボットが特定の作業を1つこなすといった、一般の人々にとって理解しやすい他のアプローチと比較して、このような方法で構築する上での最も困難な部分はどこにあるのでしょうか。
Sergey Levine：これは私のキャリアを通じて常に直面してきた問題です。ロボット学習に取り組む際、真の汎用化は、必ずしも最高にエキサイティングなデモを制作するための最適な手法ではないからです。非常に刺激的なデモを作るための王道は、最高にクールなタスクを選び、環境内のその他の要素をすべてコントロールし、完璧にクリーンで整頓された状態にセットアップして、その1つの設定でのみ機能させることです。それが古典的なロボットデモの作り方です。
Sergey Levine：汎用性は、特定の1か所だけで示せるものではありません。汎用性の本質とは、どんな人間でもできるような比較的ありふれた作業を、あらゆる状況において実行できる点にあります。私たちが公開したデモでは、ロボットがキッチンを掃除する様子を示しました。個別の動画を文脈なしで見れば、ただお皿を片付けているだけであり、誰にでもできることに見えます。しかしポイントは、そのデモのためだけにロボットをその一般家庭に投入し、ロボットがその環境からの訓練データを事前に一切学習していなかったという点です。それが技術の最前線を押し上げている理由を理解するには、舞台裏で何が行われているかを知る必要があります。
長期的なステークホルダーの利害とプラットフォームのパラダイムシフト
ホスト：ご自身が取り組んでいることの重要性や賭け金について、どのようなモデルを描いていますか。もし成功し、汎用物理知能の障壁を乗り越えた場合、何が可能になるのでしょうか。
Sergey Levine：非常にエキサイティングなことの一つは、ロボットやその他のエンボディドシステムを構築する方法において、人々の創造性を解き放つ能力です。パーソナルコンピュータが極めて重要だったのは、多くの人々があらゆる種類の優れたアプリケーションを自らハックして作り出すことを可能にしたからです。1990年代に始まり、インターネットによってさらに加速された、驚異的なソフトウェアのカンブリア爆発が起こりました。ロボット工学的領域においても同様の現象が起きると考えていますが、現在の状況ではそれは不可能です。なぜなら、新しくクールなロボットアプリケーションを組み立てようとすれば、途方もない技術スタックを構築し、基本的に知能の問題を自力で解決しなければならないからです。
Sergey Levine：誰かがその上に構築できる基盤モデルが存在し、基本的な機能を提供するためにプロンプトを与え、自身のアプリケーションに合わせてファインチューニングや調整を行えるようになれば、多くの人々、企業、個人があらゆる種類の多様な試みを行うことが、はるかに現実的になります。ロボットといえば金属製の人間のような単一の存在になると考えがちですが、これまでにそのような発展を遂げたテクノロジーはありません。むしろ、あらゆる種類のアプリケーションを自由に組み合わせることができるツールキットのようなものになるでしょう。天井から吊るされた5本腕のロボットを作るなど、クリエイティブな発想が可能になります。そのための適切なソフトウェア基盤プラットフォームが必要であり、基盤モデルこそがそのプラットフォームになり得ます。
人型ロボットと汎用エンボディメントのメリット・デメリット
ホスト：ロボット工学における「人型（ヒューマノイド）アプローチ」のメリットとデメリットについて、どのように考えていますか。
Sergey Levine：メリットの1つは、とにかく見た目がクールであるという点です。誰かに見せれば、一瞬で理解してもらえます。人々の想像力を捉え、未来がどのように見えるかについて直感的に考えさせるという点で、非常に大きな価値があります。しかし私の考えでは、ヒューマノイドは私たちが手にする可能性のある数多くのロボットの形態の一つに過ぎません。根本的に、知能の課題はこれらすべての異なるロボットにとって極めて共通しています。特定の1つの身体の文脈だけに限定して知能に取り組むべきではありません。多様なシステム全体にわたる膨大なデータを必要とするため、汎用的なアプローチで処理すべきです。
Sergey Levine：ロボットを構築する上での素晴らしい点は、最終的に人間の見た目に縛られる必要が全くないということです。目的に応じた適切なツールを構築すればよいのです。例えば、1万機のクアッドコプターの群れを用いて家を建てることも想像できます。将来的に私たちは、ブルドーザーからヒューマノイド、ロボットアームに至るまで、あらゆるアプリケーションに適応可能なロボット基盤モデルを手に入れることになります。オブジェクトとのインタラクション方法、世界における物体の移動方法、そして因果関係の仕組みの基本原理は、これらすべての異なるシステム間で共通しています。
Host: 真の汎用知能によって可能になることで、ヒューマノイド型だけの知能では実現できないような、お気に入りの事例はありますか。
Sergey Levine：いくつか考察に値する点があります。1つは、非常に巨大な機械や極めて小さな機械を作ることができるという点です。長期的に見れば、医療や外科手術の分野において、人間の見た目をしたロボットや、人間が直接制御できるロボットにさえ制限されないエキサイティングなアプリケーションが存在します。現在、ロボット手術は遠隔操作（テレオペレーション）によって行われており、高い器用さを伴うリアルタイムの人間による制御を必要としています。将来的には、自律システムが人間の直接的な運動能力の限界を超えたタスクに対処できるようになるでしょう。
ロボット工学研究における歴史的マイルストーン
ホスト：今日に至るまでのロボット工学研究のタイムラインにおいて、最も重要なマイルストーンを振り返ると、その歴史をどのようにたどることができますか。
Sergey Levine：ある意味で、ロボットシステムのエンドツーエンド制御の実現は古いアイデアです。エンドツーエンド学習を活用した最初の自動運転システムは1980年代に存在していました。1986年か1987年頃に開発されたALVINNは、カメラ入力を受け取る小さなニューラルネットワークによって制御される、高速道路上で実証された駆動システムでした。コンセプト自体は歴史の長いものですが、歴史的にロボット学習における困難さは、複数の要件を同時に満たすことにありました。つまり、すべての単一タスクに対して膨大なデータ収集を要求することなく費用対効果高くアプリケーションに対応し、常識を持ってロングテールシナリオに対処し、なおかつ頑健で高速、かつ信頼性を維持しなければならないという点です。
Sergey Levine：機械学習は、データが豊富に存在する状況で最も効果を発揮します。もし食器洗いという問題に対して、膨大な量の食器洗いデータを収集するという素朴なアプローチをとれば、次のタスクのためにその全プロセスを繰り返す必要があるため、費用対効果が低くなります。汎用モデルの訓練は、タスクごとに必要なデータ量を削減します。近年最も変化したのは、異常なシナリオに対処する能力です。過去の経験が不足しているエッジケースにおいては、他のソースから獲得した知識に依存し、それを新しい状況に落とし込む（グラウンディングする）必要があります。マルチモーダル言語モデルは、広範なウェブの知識を取り込むことに長けています。物理的な状況に本質的に根ざしているわけではありませんが、ロボット制御に常識をインポートするための道筋を提供してくれます。
ホスト：ロボット工学における、AlexNetやTransformerに匹敵するようなタイムライン上のマイルストーン的同等物はありますか。
Sergey Levine：それを断言するにはまだ時期尚早です。振り返ってみると、1980年代の最初期のエンドツーエンド学習システムは1つのマイルストーンでした。2010年代初頭の最初のディープ強化学習システムは、人間を超えるレベルのパフォーマンスを凌駕する手段を深層強化学習（Deep RL）がもたらしたという意味で、もう一つの主要なマイルストーンでした。より最近では、常識を供給するためにロボット制御向けに適応されたマルチモーダルLLMの登場が極めて重要な前進であり、今後数年のうちにさらにいくつかの主要なブレイクスルーを目にすることになるでしょう。
Sergey Levine氏の研究の軌跡：空白の状態から大規模モデルへ
ホスト：この問題へのアプローチについて、初めて関心を持った時期から何に焦点を当てるかを決めるまでの、ご自身の個人的な歩みを共有していただけますか。
Sergey Levine：私は大学院を卒業し、UCバークレーのピーター・アビール（Pieter Abbeel）教授のもとでポスドクを開始した2014年からロボット工学の作業を始めました。それ以前は、コンピュータグラフィックスやキャラクターアニメーションに取り組んでいました。私が常に解き明かしたいと願っていた核心的な疑問は、世界とインタラクションすればするほど継続的に向上していくAIシステムをいかにして構築するかという点でした。
Sergey Levine：当初、私はエージェントが何も持たない状態からスタートし、スキルを練習して上達していくという「ブランク・スレート（空白の状態）」の視点からアプローチしました。それは狭く制御された環境では機能しますが、オープンワールドの環境向けの汎用システムへと発展させることは困難でした。なぜなら、わずかな変化でもゼロから再訓練を行う必要があるからです。その後、Googleで勤務していた際、これを多数のロボットに並列化することを模索しました。部屋の中に20台のロボットを配置して同時に学習させる「集合学習（collective learning）」です。それにより汎用性は向上したものの、依然としてエッジケースに苦戦するニッチな専門特化型モデルが生み出されるにとどまりました。
Sergey Levine：次のステップは、スキルを練習する能力と、膨大な量の事前知識を組み合わせることです。これはAI全体における難問です。ここ数十年のAIにおける2大成果は、人間の能力を再現するLLMに代表される「生成AI」と、AlphaGoが「第37手」のような人間を超える超人的な解決策を発見したことに代表される「ディープ強化学習」です。Physical Intelligenceにおける挑戦は、これら2つのパラダイムを融合させることにあります。すなわち、膨大な生成的な世界知識を取り入れつつ、強化学習を用いて人間レベルのパフォーマンスを超えるという試みです。
Vision-Language-Actionモデルと思考の連鎖（Chain of Thought）
Host: その融合を実現するために、具体的にどのようなことに取り組んでいるのでしょうか。
Sergey Levine：過去数年にわたり、私たちはまず「Vision-Language-Action（VLA）モデル」の開発から始めました。VLAモデルは、ロボット制御向けに適応されたLLMとして理解することができます。それはテキストで事前訓練され、視覚的シーンを理解するために広範なウェブ画像データで適応され、その後、多様なロボットデータでファインチューニングされます。それが、ウェブスケールの知識をロボット制御に取り込むための基盤として機能します。
Sergey Levine：その上に立って、私たちは2つの主要な能力を追求しています。それは、常識をもって異常な状況に対処すること、そして強化学習を通じて向上することです。常識を実現するために、私たちは「思考の連鎖（チェーン・オブ・ソート）推論」を活用しています。ロボットがシーンに遭遇した際、直ちに運動コマンドを実行するのではなく、タスクを通じて推論を行います。キッチンを掃除するよう指示された場合、視覚入力を分析し、特定のお皿を拾い上げるといった中間的な意味論的思考（セマンティック・スート）を生成してから行動します。これらの推論の中間ステップは、ウェブスケールの事前訓練の恩恵を受けています。
Sergey Levine：強化学習は、頑健性、速度、精度を最適化するためにタスクを繰り返し練習する際に適用されます。私たちのエスプレッソ抽出デモでは、システムはスループットと信頼性を最適化するために繰り返し練習を行いました。私たちはこの二重の基盤の上にさらなる構築を続けています。
センサー要件とデータフライホイール
Host: こうしたロボットプラットフォームを見ると、データはハードウェアに配置されたセンサーを通じて収集されます。必要なセンサーのスイートについて、どのように考えていますか。
Sergey Levine：人々が想像しているよりも少ないセンサー数で十分に機能させることがしばしば可能です。私たちの主要な実験用プラットフォームは3台のカメラを使用しています。手首にそれぞれ1台ずつと、ベースに1台です。専用の触覚センサーや力覚センサーは搭載していません。優れた学習アルゴリズムはハードウェアの欠点を補うことができます。例えば、手首のカメラは、接触時の局所的な物理変形を視覚フィードバックが捉えるため、実質的にタッチセンサーとして機能します。
ホスト：言語モデルの領域では、圧倒的なインターネット規模のデータがブレイクスルーを牽引しました。エンボディドAIのために、必要なデータリザーバーをどのように構築するのでしょうか。
Sergey Levine：ユニバーサルな汎用化を達成するためにどれほどのロボットデータが必要になるのか正確に知る者はいません。しかし、事前にそれを知る必要すらないかもしれません。重要なのは、システムを自律的にデータを収集できるように十分に有用なものにすることです。テスラ（Tesla）は、不十分な運転データの収集について心配していません。なぜなら、彼らのフリート（車両群）はすでに有用であり、積極的にデータを収集しているからです。目標は、多様なタスクを実行し、データフライホイールを確立できるシステムをデプロイすることです。
Host: Physical Intelligenceを立ち上げて以来、研究の軌跡について最も驚かされたことは何ですか。
Sergey Levine：器用さ（デクステリティ）の面において、当初予想していたよりもはるかに急速な進歩を遂げました。過去の作業に基づけば、多様なオブジェクトやシーンにわたる汎用性は、より多くのデータとともに着実にスケールしていくものと予想していました。しかし、モデルは複雑で専門的なアーキテクチャを必要とすることなく、高度に器用な振る舞いを自ら学習しました。
Sergey Levine：さらに、モデルは、ハードウェアの構成に関する明示的なプロンプトやアーキテクチャの変更を必要とすることなく、多指ハンドや自由度の異なるアームを含む、異なるロボットのエンボディメント（身体性）をまたいで汎用化しました。エンボディメント特化型のデータによるファインチューニングだけで十分でした。
モラベックのパラドックスとセマンティック・コーチング
ホスト：現在のシステムは、人々が想像するよりも進んでいる点、あるいは進んでいない点はどこにあるでしょうか。
Sergey Levine：これは「モラベックのパラドックス」に直接関係しています。人間は、高度な微積分のように私たちにとって難しいタスクは機械にとっても難しく、カップを掴むような私たちにとって簡単なタスクは機械にとっても単純であると直感的に思い込みます。現実には、人間の脳は物理的なインタラクションや視覚知覚のために、大規模な特殊化された神経機構を発達させてきました。それらの物理的スキルを手動でプログラミングすることは、並外れて困難です。
Sergey Levine：機械学習はこの力学を変化させます。データ収集が容易な領域では、物理的に複雑であっても、タスクは扱いやすくなります。逆に、抽象的な常識、多段階の推論、そして物理的な実行を広範な世界知識に結びつけることを必要とするタスクは、依然として困難なままです。
Host: ロボット工学の文脈において、常識をどのように定義していますか。
Sergey Levine：ロボット学習における常識とは、他の領域で学習した意味論的推論（セマンティック・インファレンス）を、目前の物理的タスクに応用することを意味します。それは純粋な筋肉の記憶（マッスルメモリ）とは対極にあります。筋肉記憶は反復を通じて自動的に機能します。常識が適用されるのは、ある状況に遭遇し、別の場所で学習した関連する事実や原則を思い出し、それを直近の環境にグラウンドし、正しい行動を選択する時です。
ホスト：言語モデルは、単一ターンのチャットから、長期的・持続的なエージェント的推論へと進化しました。ロボット工学におけるそれに匹敵する長期的な能力は何でしょうか。
Sergey Levine：私たちはこの点について広範に取り組んでいます。思考の連鎖推論を用いることで、私たちのモデルは、食器洗い機から食器をアンロードし、キャビネットにしまい、カウンターを拭き取るといった、拡張された一連のタスクを実行できます。およそ6ヶ月前に私たちが発見した重要な事実は、長期的タスクにおけるモデルのパフォーマンスが、高レベルの意味論的指示によってそれらを監督するだけで向上させられるということです。
Sergey Levine：キッチン掃除タスクの最中にロボットが失敗した際、低レベルの追加的なテレオペレーション軌跡を収集する代わりに、私たちは中間ステップに対して意味論的アノテーション（セマンティック・ラベル）を提供しました。これにより汎用性が向上しました。運用のボトルネックは、低レベルの物理的駆動から、中レベルのシーン解釈やステップ選択へとシフトしていたのです。これにより、人間のオペレーターは、手動による物理的デモンストレーションではなく、言語的なコーチングを通じてロボットのパフォーマンスを向上させることが可能になります。
広範な導入に向けた技術的および実践的リスク
ホスト：2050年を見据えたとき、一般的な家庭用ロボットが依然として普及していないとしたら、その主たる説明は何になるでしょうか。
Sergey Levine：ボトルネックはおそらく、テクノロジーと人間の快適性の交差点にあるでしょう。自動運転車も同様の普及ダイナミクスに直面しました。家庭内へのシステムの導入には、エッジケースやフォールトトレランス（耐障害性）に関する疑問が伴います。ユーザーは、時折食器が割れることや、幼児の周囲でロボットを稼働させることに快適さを感じるでしょうか。そうした社会的安全要因をナビゲートすることが、異なる環境における導入タイムラインを左右することになります。
Sergey Levine：純粋に技術的な視点からは、主要なリスクはオープンワールドの広範さを管理することです。ホテルの部屋の清掃や業務用キッチンでの補助といった構造化された商業環境では、変動要因が限定されています。一方、構造化されていない家庭環境では、頑健な推論と安全なフェイルセーフモードを必要とする予測不可能な事象が発生します。
シミュレーション対現実世界データと「ロボットオリンピック」
ホスト：ロボット工学におけるシミュレーションの使用対現実世界データの使用という議論をどのように捉えていますか。
Sergey Levine：今日のロボット工学研究には明確な二分法が存在します。ヒューマノイドの歩行・移動においては、現実世界のデータを最小限、あるいはゼロに抑え、物理シミュレーションに大きく依存するパイプラインが主流です。一方、ロボットのマニピュレーション（把持・操作）においては、シミュレーションをほとんど用いず、基盤モデルと組み合わせた大規模な現実世界のデータセットを使用するアプローチが主流です。どちらかのアプローチが支配的になるのか、あるいは統合が生まれるのかは、依然として未解決の研究上の問いです。
Host: 印象的なデモの開発と、有用な製品の構築のバランスをどのように取っていますか。
Sergey Levine：私たちのアプローチは、「有用でなければならない」という制約のもとで、システムを可能な限りエキサイティングにすることです。一般的なロボット基盤モデルを前進させる基礎研究を優先しつつも、困難なマニピュレーションのベンチマークに対してモデルをストレステストにかけます。
Sergey Levine：例えば、元Everyday Robotsの研究者であるベンジ・ホルソン（Benji Holson）氏は、人間にとっては些細であるがロボットにとっては困難な日常のマニピュレーションタスク（ドアを開ける、油まみれのフライパンをこする、バッグを使ってゴミを拾うなど）で構成される実用的な「ロボットオリンピック」を提案しました。私たちはこのリストを使用して、一般的なオンボーディングパイプラインをテストしました。個別のタスク向けに専門的なアルゴリズムを開発することなく、私たちの基盤モデルはそれらのほぼすべてを正常に解決しました。唯一の例外は、グリッパー（把持部）のサイズによる物理的制約を受けたドレスシャツの裏返しと、把持力の限界のために小さなツールを必要としたオレンジの完全な指先だけの皮むきでした。これは、多様なタスクを迅速にオンボーディングする一般モデルの力を実証するものでした。
エンボディメント非依存性と研究哲学
Host: 生物系における道具使用の概念に言及されていましたが、それはロボットの知能とどのように関連しているのでしょうか。
Sergey Levine：神経科学の研究は、サルが道具を使用する際、脳内の神経表現が適応し、道具の先端が物理的な手の延長として扱われるようになることを示しています。これは、知能が「エンボディメント非依存（embodiment-agnostic）」であるべきだという見解を裏付けています。普遍的な基盤モデルは、任意の運動学的チェーン（キネマティック・チェーン）や道具を制御できるように適応すべきです。マニピュレーション、移動、そして産業用制御は、単一の核心的な知能の問題のもとに統合されます。
Host: 現在のロボット工学研究コミュニティにおける主要な哲学的議論は何ですか。
Sergey Levine：歴史的に、その議論は、従来のエンジニアリングや物理モデルと比較して、機械学習がロボット工学において何らかの居場所を持つのかという点でした。現在では学習が広く受け入れられているものの、エンドツーエンドの学習対、手作業でコーディングされた物理学を組み込んだモジュール式システムの間で、依然として議論が続いています。「苦い教訓（The Bitter Lesson）」が示唆するように、長期的な視点では、データと計算能力を活用した汎用的な手法が、手作業でエンジニアリングされたドメイン知識を凌駕します。明示的な物理モデルの組み込みは短期的な構造を提供しますが、エンドツーエンドの学習は、真のオープンワールドの一般性を達成するために必要なスケーラビリティと自己改善能力をもたらします。
ホスト：ロボットによって自動化されるのが最後になると思われるタスクの種類は何ですか。
Sergey Levine：子供のおむつの交換、高齢者の介護、負傷者をベッドから起こす手助けなど、人間との直接的で繊細な物理的インタラクションを伴うタスクは、例外的に困難なものとなるでしょう。これらのタスクには、精密な力の変調、高い安全マージン、そして深い社会物理学的常識が求められます。
研究の実行、ハードウェアコスト、そして将来の展望
ホスト：こうした困難な問題をナビゲートする際、卓越したAI研究者を差別化する要因は何ですか。
Sergey Levine：研究には、あるアプローチに固執すべきタイミングと、ピボット（方針転換）すべきタイミングに関する重大な決断を下すことが求められます。早すぎるピボットは目の前にあるブレイクスルーを逃すことを意味し、欠陥のある前提に長く固執しすぎれば何年をも無駄にします。成功する研究者は、集中の深さと探索的な実験のバランスを取るための強力な直感を培っています。
Host: ハードウェアコストも劇的に低下しています。それはエコシステムにどのような影響を与えていますか。
Sergey Levine：10年前、PR2のような研究プラットフォームのコストは約40万ドルでした。私がUCバークレーに研究室を立ち上げた際、標準的なアームは約3万ドルでした。現在、低コストのロボットアームは約3,000ドルで調達可能であり、コストは低下し続けています。学習ベースのソフトウェアがハードウェアのコンプライアンスやセンシングの限界を補うことができるため、低コストのハードウェアが複雑なタスクにおいて現実的となり、参入障壁が根本的に引き下げられています。
ホスト：Physical Intelligenceにおける直近の主要な焦点は何ですか。
Sergey Levine：私たちの主な焦点は、中レベルの意味論的および空間的推論を進歩させることにあります。低レベルの物理的制御は大部分において管理可能ですが、それらの運動プリミティブを高レベルの世界知識に結びつけるには、純粋な言語的トークンではなく、物理的インタラクションに特化して調整された内部表現が求められます。
ホスト：ご自身のキャリアを振り返って、これまでに誰かから受けた最も親切な行為は何ですか。
Sergey Levine：いくつかの重要な機会が私の軌道を形作りました。大学2年生のとき、Nvidiaの採用マネージャーがインターンシップの機会を与えてくれました。その後、ピーター・アビールが、ロボット工学の事前背景が全くなかったにもかかわらず、UCバークレーでのポスドクとして私を受け入れ、私の潜在能力に賭けてくれました。最後に、Googleに在籍していた際、ジェフ・ディーン（Jeff Dean）やビンセント・ファンホッケ（Vincent Vanhoucke）といったリーダーたちが、多数のロボットを同時に配備して集合学習を行う「アーム・ファーム」プロジェクトの提案を支持してくれました。それは、キャリア初期の研究者が野心的なアイデアを追求する力を与えてくれました。エージェンシー（主体性）を提供し、人々に賭けてくれるリーダーがいることは、深い違いを生み出します。
ホスト：セルゲイ氏、本日は素晴らしい洞察を共有していただき、本当にありがとうございました。
Sergey Levine：ありがとうございました。