ロボットの脳を構築する研究者たちは、GPT-2時代から脱却しつつある

Physical AI has emerged as one of the most dynamic sectors in venture capital, with companies securing billions in funding to apply the foundational tools behind Large Language Models to the field of robotics.

Physical AIは、ベンチャーキャピタルにおいて最も活発なセクターの一つとして台頭しており、大規模言語モデル（LLM）の基盤ツールをロボティクス分野に応用するために、企業は数十億ドルの資金調達を実現している。

This enthusiasm drove a major IPO for Unitree, China’s premier robot manufacturer, which initially reached a $66 billion valuation upon listing on China’s NASDAQ equivalent. However, the market sentiment shifted sharply this week, erasing nearly half of that value. Analysts attribute this decline to a critical gap: while robotic physical capabilities are advancing, they still lack the practical know-how to perform value-generating tasks.

この熱狂は、中国を代表するロボットメーカーである宇樹科技（Unitree）の大型IPOを後押しし、同社は中国のNASDAQに相当する市場上場時に当初660億ドルの評価額を記録した。しかし、今週、市場のセンチメントが急変し、その評価額のほぼ半分が消去された。アナリストはこの下落を、重要なギャップに起因すると見なしている。すなわち、ロボットの物理的能力は進歩しているものの、付加価値を生成するタスクを実行するための実用的なノウハウが依然として欠如している点である。

At last week’s Actuate conference, a summit for developers creating AI systems for robots, the industry’s optimism was palpable. According to Foxglove, an organizer that assists physical AI model builders in managing and visualizing data, the event has tripled in size since its inception in 2023, drawing 1,500 attendees.

先週開催された、ロボット用AIシステムの開発者向けのサミットである「Actuate」カンファレンスでは、業界の楽観視が明確に感じられた。データの管理と可視化を物理AIモデル構築者に支援するオーガナイザーであるFoxgloveによれば、このイベントは2023年の創設以来規模が3倍に拡大し、1,500人の参加者を集めた。

The underlying risks were also apparent. A booth for Avala, another player in physical AI infrastructure, displayed a sign promising to resolve “the robotics data crisis.”

根底にあるリスクも明らかであった。物理AIインフラストラクチャにおけるもう一つのプレイヤーであるAvalaのブースには、「ロボティクス データ危機」を解決すると約束する看板が掲げられていた。

This crisis stems from a shortage of high-quality training data for AI models. The goal of building generalized robots capable of performing any task remains distant, and end-to-end learning for specific tasks has yet to yield products with reliable, commercial-grade performance. For developers, the solution lies in emulating the progress of leading AI labs: acquiring or generating more diverse datasets, experimenting with varied training methods, and refining reinforcement learning scenarios.

この危機は、AIモデルのための高品質なトレーニングデータ不足に起因する。あらゆるタスクを実行できる汎用ロボットの構築という目標は依然として遠く、特定のタスクに対するエンドツーエンド学習は、まだ信頼性が高く商業グレードのパフォーマンスを持つ製品を生み出していない。開発者にとっての解決策は、主要なAIラボの進歩を模倣することにある。すなわち、より多様なデータセットを取得または生成し、多様なトレーニング方法を試行し、強化学習のシナリオを精緻化することである。

Harry Mellsop, founder of Antioch, a startup developing simulation tools for model builders, describes physical AI as being in its “GPT-2 era,” referring to the OpenAI model that preceded ChatGPT. Overcoming current limitations will require more data and computing power, particularly GPUs optimized for ray tracing to create high-fidelity simulations.

モデル構築者のためのシミュレーションツールを開発するスタートアップ、Antiochの創設者であるHarry Mellsopは、物理AIを「GPT-2時代」にあると表現し、ChatGPTに先行するOpenAIのモデルを指している。現在の制限を克服するには、より多くのデータと計算能力が必要であり、特に高忠実度のシミュレーションを作成するためにレイトレーシングに最適化されたGPUが求められる。

Autonomous vehicles are currently the furthest along, partly due to the ability to collect relevant data from human-driven cars and partly because their primary objective is collision avoidance rather than manipulating the physical environment. Much of the tooling for model development originates from autonomous vehicle firms; for instance, Foxglove was founded by former employees of Cruise, General Motors’ previous self-driving initiative.

自律走行車は現在、最も進捗している。これは部分的に、人間が運転する車両から関連データを収集できる能力によるものであり、部分的には、その主要な目的が物理環境を操作することではなく衝突回避にあるためである。モデル開発のためのツールの多くは自律走行車企業に由来しており、例えばFoxgloveは、ゼネラルモーターズの以前の自動運転プロジェクトであるCruiseの元従業員によって設立された。

Consequently, these automotive companies are increasingly betting that their investments in machine learning tooling will enable them to compete with dedicated humanoid robot manufacturers. Tesla is already pursuing this strategy with its Optimus robot, and now both Wayve, an autonomous vehicle-focused firm, and ride-share giant Uber have established robotics labs dedicated to humanoid form factors as part of their research and development efforts.

したがって、これらの自動車企業は、機械学習ツールへの投資が専用ヒューマノイドロボットメーカーと競争できることを可能にすると、ますます賭けている。テスラはすでにOptimusロボットでこの戦略を追求しており、現在、自律走行車に特化した企業であるWayveと、ライドシェア大手のUberの両社が、研究開発活動の一環として、ヒューマノイドフォームファクタに専念するロボティクスラボを設立している。

“I believe you need to start with vehicles… manipulation robotics is where self-driving was five years ago,” Alex Kendall, CEO of Wayve, told TechCrunch. “The data infrastructure, simulation, and ML ops infrastructure will likely be shared, but the specific world model for the simulator will require different post-training. There will be significant commonality, but there will also need to be differences for various embodiments.”

WayveのCEOであるAlex KendallはTechCrunchに対し、「車両から始める必要があると考えています……マニピュレーションロボティクスは、5年前の自動運転がいた場所です」と語った。「データインフラストラクチャ、シミュレーション、ML運用インフラストラクチャはおそらく共有されるでしょうが、シミュレータ用の特定のワールドモデルには、異なるポストトレーニングが必要です。大きな共通性がある一方で、さまざまな具現化に対して差異も必要になるでしょう」と述べた。

Kendall argues that it is premature to commit to any single hardware platform, as advancements in sensors and other components are occurring rapidly, and a truly general model should remain hardware-agnostic.

Kendallは、センサーやその他の部品の進歩が急速に進んでおり、真に汎用性の高いモデルはハードウェアに依存すべきではないため、単一のハードウェアプラットフォームにコミットするのは時期尚早であると主張する。

Théophile Gervet, CEO of Genesis AI, a vertically integrated humanoid robotics company that secured a $105 million seed round this year, disagreed. He told TechCrunch, “We are too early in this wave for a pure brain strategy to succeed; our view is that there are numerous opportunities to co-design hardware and AI.”

今年1億500万ドルのシードラウンドを確保した、垂直統合型ヒューマノイドロボット企業であるGenesis AIのCEO、Théophile Gervetは異議を唱えた。彼はTechCrunchに対し、「この波の初期段階では、純粋な脳（ソフトウェア）戦略が成功するには早すぎます。私たちの見解では、ハードウェアとAIを共同設計する機会が多数あります」と語った。

Gervet also addressed another prominent topic in the sector: how to specifically focus a physical AI business. Robotics companies targeting specific tasks are deploying their robots in the field—Gritt is constructing solar farms, Agility is operating robots in industrial settings, and Bedrock is running excavators autonomously. Meanwhile, general-purpose humanoids remain largely confined to laboratories.

Gervetは、セクターにおけるもう一つの注目トピック、すなわち物理AIビジネスをどのように具体的に焦点を絞るかについても言及した。特定のタスクを対象とするロボット企業は、フィールドでロボットを展開している。Grittは太陽光発電所を建設し、Agilityは産業環境でロボットを運用し、Bedrockは自律的にショベルカーを稼働させている。一方、汎用ヒューマノイドは主に研究所に限定されたままとなっている。

“No customer cares about a general-purpose robot that operates with an 80% success rate,” Gervet explained regarding this dilemma. “We see many other players pursue a general approach, but they provide no value without a vertical focus. However, if you build for a narrow vertical on top of a GPT-2 level model, you will be outcompeted by companies building on GPT-4.”

Gervetはこのジレンマについて、「80%の成功率で動作する汎用ロボットに興味を持つ顧客はいない」と説明した。「私たちは、多くの他のプレイヤーが一般的なアプローチを追求しているのを見ていますが、垂直分野への焦点なしには価値を提供しません。しかし、GPT-2レベルのモデルの上に狭い垂直分野向けに構築する場合、GPT-4を基盤とする企業に競争で負けることになります」と述べた。

The temptation to invest in a specific vertical is strong, as it generates not only revenue but also real-world deployment data. While task-specific data may lack the diversity needed to advance general-purpose models, it is crucial for creating robots that deliver tangible value. Bedrock CTO Kevin Peterson noted that his company started with excavation to understand the challenges of “manipulation in the wild,” but plans to develop an intelligence layer that spans a series of construction machines.

特定の垂直分野への投資の誘惑は強い。なぜなら、それは収益だけでなく、実世界の展開データも生成するからである。タスク固有のデータは、汎用モデルを進展させるために必要な多様性に欠ける可能性があるものの、実質的な価値を提供するロボットを作成するには重要である。BedrockのCTOであるKevin Petersonは、同社は「野外におけるマニピュレーション」の課題を理解するために掘削から始めたが、一連の建設機械にわたるインテリジェンスレイヤーを開発する計画であると指摘した。

Managing this volume of data is challenging, particularly due to the density of visual and LiDAR information. This week, Foxglove announced a new product built on Nvidia’s Cosmos open-weight world model, enabling engineers to search data using sophisticated natural language queries to build evaluations and simulations. The objective is faster triage and debugging, allowing model builders to iterate more quickly.

この量の水のデータを管理することは困難であり、特に視覚情報とLiDAR情報の密度の高さによる。今週、FoxgloveはNvidiaのCosmosオープンウェイトワールドモデルを基盤とした新製品を発表し、エンジニアが洗練された自然言語クエリを使用してデータを検索し、評価とシミュレーションを構築できるようにした。目的は、より迅速なトリアージとデバッグを実現し、モデル構築者がより迅速に反復できるようにすることである。

So, what will be the fabled ChatGPT moment for physical AI, which Sam Altman recently suggested is just a few years away? Kendall points out that the largest robot deployments globally are still consumer vacuum cleaners. For him, a ChatGPT moment would involve something that excites consumers, rather than investors, who are already highly enthusiastic.

では、Sam Altmanが最近、あと数年で訪れると示唆した、物理AIの伝説的なChatGPTの瞬間とは何だろうか？Kendalは、世界中で最大のロボット展開は依然として消費者用掃除機であると指摘する。彼にとって、ChatGPTの瞬間は、すでに非常に熱狂している投資家ではなく、消費者を興奮させるものを含むはずである。

“One example would be achieving eyes-off autonomy for less than $1,000 worth of hardware in a car,” Kendall stated. Not coincidentally, his company is licensing models to automakers with the goal of achieving exactly that. He views this business as a multi-billion-dollar opportunity that will enable the creation of a truly general embodied AI model.

Kendalは、「一例として、車内で1,000ドル未満のハードウェアで『目を開けていない』自律走行を実現することです」と述べた。偶然ではないが、彼の会社はまさにその目標を達成するために、自動車メーカーにモデルをライセンス供与している。彼は、このビジネスを、真に汎用性の高い具現化AIモデルの作成を可能にする数十億ドル規模の機会と見なしている。

For Gervet, the moment when physical AI becomes mainstream is “manipulation that simply works out of the box. You can instruct a robot in natural language to perform any basic manipulation task, such as pushing, pulling, closing a laptop, or cleaning a table, and it executes reliably—let’s say with 80% success out of the box. That would roughly mirror the ChatGPT experience.”

Gervetにとって、物理AIが主流となる瞬間は、「箱から出してすぐに動作するマニピュレーション」である。「自然言語でロボットに、押す、引く、ラップトップを閉じる、テーブルを掃除するなど、あらゆる基本的なマニピュレーションタスクを実行するよう指示でき、それが信頼性高く実行される——例えば、箱から出してすぐに80%の成功率で——そのような瞬間が、おおよそChatGPTの経験を反映するでしょう」と述べた。

Adrian Macneil, CEO of Foxglove, approaches the question from a different perspective.

FoxgloveのCEOであるAdrian Macneilは、この問題に異なる視点からアプローチする。

“There will not be a ChatGPT moment for robotics,” he told TechCrunch. “What made ChatGPT a historic moment was its distribution—they went from zero to approximately one million active users in about a week. Distribution in the real world is far more difficult. I would be very excited for an Apple II or IBM PC moment in robotics: when can I purchase a home robot that starts performing useful and enjoyable tasks?”

MacneilはTechCrunchに対し、「ロボティクスにChatGPTの瞬間は存在しません」と語った。「ChatGPTを歴史的な瞬間にしたのは、その配布でした——彼らは約1週間でゼロから約100万人のアクティブユーザーに達しました。現実世界での配布ははるかに困難です。ロボティクスにおけるApple IIやIBM PCの瞬間に非常に興奮したいです。つまり、有用で楽しいタスクを実行し始める家庭用ロボットをいつ購入できるかという瞬間です」と述べた。