フィジカル・インテリジェンス、未体験のタスクを学習できるロボット用ヘッドセットを発表

サンフランシスコに拠点を置くロボット工学スタートアップ「Physical Intelligence」は、ベイエリアで最も注目を集めるAI企業の一つとして台頭しており、木曜日に新たな研究結果を発表した。その成果によると、同社の最新モデルは、ロボットに対し、これまで具体的に訓練されたことのないタスクを実行させるよう誘導できることが明らかになった。この能力については、同社自身の研究者たちでさえ、予想外だったと認めている。

「π0.7」と名付けられたこの新モデルは、同社が「汎用ロボット脳」という長年の目標に向けた、初期段階ながらも重要な一歩であると位置付けている。このシステムは、未知のタスクに対して指示を受け、平易な言葉で説明されるだけで、それを成功裏に完了することができる。もしこれらの結果が検証に耐えれば、ロボットAIは、大規模言語モデルの進化と同様の転換点を迎えつつあることを示唆するだろう。つまり、基礎となるデータが示唆する範囲を超えた形で、能力が相乗的に高まり始める段階に差し掛かっているということだ。

本論文の核心にあるのは、「構成的一般化（compositional generalization）」という概念だ。これは、異なる文脈で習得したスキルを融合させ、全く新しい問題に取り組む能力を指す。従来、ロボットのトレーニングは暗記に依存してきた。つまり、特定のタスクのためのデータを収集し、それに特化したモデルを訓練し、新しい作業ごとにこのプロセスを繰り返すという方法だ。Physical Intelligence社は、π0.7がこのサイクルを打破したと主張している。

「単に訓練されたデータを正確に再現する段階から、要素を独創的な方法で再構成する段階へと閾値を越えると」と、Physical Intelligenceの共同創業者であり、ロボット工学向けAIを専門とするカリフォルニア大学バークレー校のセルゲイ・レヴィーン教授は説明する。「能力はデータ量に対して線形以上の速度で増加し始める。このより好ましいスケーリングのダイナミクスは、言語や視覚といった他の分野でも観察されているものだ」

この論文で最も説得力のある実証実験は、トレーニング中にモデルが事実上まったく接触したことのないエアフライヤーに関するものだ。調査の結果、チームはデータセット全体から関連する事例をわずか2件しか見つけられなかった。1つは別のロボットが単にエアフライヤーの扉を閉めたもの、もう1つはオープンソースのデータセットからのもので、ロボットが指示に従ってプラスチックボトルを中に入れたものだった。 しかし、モデルはこれらの断片的な情報を、より広範なウェブベースの事前学習データと組み合わせて、この家電製品の動作原理を実用的なレベルで理解するに至った。

「知識がどこから来ているのかを正確に特定したり、どこで成功・失敗するかを予測したりするのは、信じられないほど難しい」と、Physical Intelligenceの研究員であり、スタンフォード大学のコンピュータサイエンス博士課程の学生であるアシュウィン・バラクリシュナ氏は指摘する。 それにもかかわらず、事前の指導が一切ない状態でも、このモデルは調理器具を使ってサツマイモを調理するという、説得力のある試みを行いました。段階的な音声指示（つまり、新入社員を指導するように、人間がロボットに手順を語りかけること）が与えられると、タスクを無事に完了させました。

この指導能力は、ロボットを新しい環境に導入し、リアルタイムで調整できることを示唆しており、追加のデータ収集やモデルの再学習の必要性を排除できる点で重要です。

では、より広範な意味合いは何か。研究者たちはモデルの限界を率直に認め、その進歩を過大評価することには慎重だ。少なくとも1つの事例では、失敗の原因を直接的に自分たちのチームに帰している。

「失敗の原因がロボットやモデルにあるとは限らない」とバラクリシュナ氏は言う。「それは私たち自身の責任だ――プロンプトエンジニアリングのスキルが不足していたのだ」。彼は、成功率がわずか5%にとどまった初期のエアフライヤー実験を例に挙げている。モデルへのタスクの説明方法を約30分かけて調整したところ、成功率は95%まで急上昇した。

画像提供：Physical Intelligence

また、このモデルは、単一のハイレベルな指示から、複雑で多段階のタスクを自律的に実行することはまだできません。「『トーストを作って』とただ指示するだけではダメなんです」とレバイン氏は述べています。「しかし、『トースターのこの部分を開けて、あのボタンを押して、こうして』と手順を案内すれば、かなりうまく動作する傾向があります。」

また、研究チームはロボット工学分野に標準化されたベンチマークが存在しないことを認めており、これが彼らの主張の外部検証を困難にしている。その代わり、同社はπ0.7を、個々のタスクのために特化して構築・訓練された自社の以前の専門モデルと比較し、コーヒーを淹れる、洗濯物を畳む、箱を組み立てるといった様々な複雑な活動において、この汎用モデルがそれらの性能に匹敵することを確認した。

おそらくこの研究の最も注目すべき点は——研究者の言葉を信じるならば——特定のデモンストレーションそのものではなく、トレーニングデータを熟知し、ひいてはモデルに何ができるかできないかを熟知しているはずの専門家たちさえも、その結果に驚かされたという点にある。

「私の経験上、データを深く理解していれば、通常はモデルが何ができるかを予測できるものです」とバラクリシュナは振り返る。「驚かされることはめったにありません。しかし、ここ数ヶ月は初めて、心から度肝を抜かれたのです。私はたまたま歯車セットを買ってきて、ロボットに『この歯車を回せる？』と尋ねました。すると、見事に動いたのです。」

レバインは、研究者が初めてGPT-2がアンデス山脈のユニコーンに関する物語を生成するのを目撃した瞬間を回想する。「一体どこでペルーのユニコーンについて学んだんだ？」と彼は言う。「実に奇妙な組み合わせだ。ロボット工学において、そのような創発的な能力を目にするのは本当に特別なことだ。」

当然ながら、批判派は本質的な不均衡を指摘するだろう。言語モデルはインターネット全体を使って学習させられたが、ロボットにはその余裕がない。どんなに巧妙なプロンプトを使っても、その隔たりを完全に埋めることはできない。しかし、どこに懐疑的な見方が向けられるかと問われると、レバインは全く別の方向を指し示す。

「ロボットによる汎化デモに対して常に投げかけられる批判は、そのタスクがどこか平凡に見えるという点だ」と彼は指摘する。「ロボットがバックフリップをしているわけではない」。彼はこの見方に異議を唱え、派手なロボットデモと真に汎化できるシステムとの違いこそがまさに核心だと主張する。真の汎化は、入念に演出されたスタントほど劇的には見えないかもしれないが、はるかに実用的である、と彼は示唆する。

論文自体も全体を通して慎重な表現を用い、π0.7について「汎化の初期兆候」や「新機能の初期実証」を示していると記述している。これらは研究成果であり、商用製品ではない。また、Physical Intelligence社は、商用化のスケジュールについて一貫して控えめな姿勢を保っている。

この研究に基づくシステムがいつ実用化されるか直接尋ねられた際、レバイン氏は推測を避けた。「楽観視する十分な理由があり、進捗は確かに数年前に私が予想していたよりも速い」と彼は言う。「しかし、明確な答えを出すのは非常に難しい。」

これまでにPhysical Intelligenceは10億ドル以上を調達しており、直近の企業価値は56億ドルと評価されている。 同社に対する投資家の熱狂の大きな要因は、共同創業者のラキー・グルーム氏にある。彼は長年、シリコンバレーで最も尊敬されるエンジェル投資家の一人として、Figma、Notion、Rampといった企業に出資してきたが、最終的にPhysical Intelligenceこそが自分が求めていたベンチャーであると確信した。この経歴が、具体的な商用化ロードマップを投資家に提示していないにもかかわらず、同社が巨額の機関投資を惹きつける一助となっている。

同社は現在、企業価値を110億ドルへとほぼ倍増させる新たな資金調達ラウンドについて協議中であると報じられている。同社チームはこの件についてコメントを控えている。