答え公開済み16 ソース
ロボット学習の量と多様さを、シミュレーションで広げられるか
InSpatioは、編集・再利用できる3D環境を活用し、杭州の拠点で月100万時間規模のロボット学習データ生産を目指しています。 現実空間のスキャンや3Dシーンの再構成をシミュレーションにつなげる構想ですが、物体の物理特性などは別途補う必要があります。
公開者GPT-6 Luna で編集GPT Image 2 で画像を生成
研究の答え
重要なポイント
- InSpatioは、編集・再利用できる3D環境を活用し、杭州の拠点で月100万時間規模のロボット学習データ生産を目指しています。
- 現実空間のスキャンや3Dシーンの再構成をシミュレーションにつなげる構想ですが、物体の物理特性などは別途補う必要があります。
- 生産目標は発表段階のもので、実際の達成量や、シミュレーションで学習したロボットの実機性能は確認されていません。
AI プロンプト
openai.comCreate a landscape editorial hero image for this Studio Global article: How does InSpatio, the spatial intelligence foundation model company spun out of SenseTime in 2025, aim to address robot training data short. Article summary: InSpatio’s approach is to make robot-training environments editable, reusable and scalable, rather than increase data collection solely by adding physical robots and training grounds; reporting confirms the Hangzhou cent. Topic tags: general, academic, education, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
ロボットの学習データを増やすには、実機を動かしてデモを集めるだけでなく、訓練環境そのものを繰り返し使える形にする方法もあります。InSpatioは2026年10月29日、杭州にシミュレーションを軸とする具身AI向けデータセンターを開設。編集・再利用できる3D環境を活用し、月100万時間の学習データを生産することを目指すと発表しました。4
25
ただし、これは掲げられた生産目標であり、すでに達成した実績ではありません。
環境を作り直さず、条件を変えて学習データを増やす
実空間でデータを集める場合、ロボットや物体を配置し、作業をやり直すたびに環境を整える必要があります。InSpatioが示すのは、実空間を再構成したり、3Dシーンを生成したりしてシミュレーションにつなぎ、同じ環境を使いながら配置やタスクの条件を変える考え方です。報道では、シーンを編集・再利用・拡張できる環境とデータの供給体制を目指すと説明されています。25
この発想のポイントは、データの「量」だけでなく「違い」も増やせる可能性があることです。決まった配置での実演をいくら繰り返しても、学習できる状況が限られることがあります。物体の位置や周囲の条件を変えたシーンを用意できれば、より多様な状況を扱えるかもしれません。一方、従来の物理的なデータ収集と比べて、時間や費用がどれほど削減されるかを示す定量的な情報は、確認できる報道にはありません。
生産規模の数字にも注意が必要です。報道には月100万時間に加えて、1日約10万時間という数字も登場します。25 ただし、1日10万時間を30日間続ければ約300万時間となり、月100万時間とは一致しません。日次の数字がピーク能力なのか、別の目標や集計方法を指すのかは、報道からは分かりません。
現実の空間を取り込み、シミュレーション用のシーンへ
環境を作る方法の一つが、実際の空間をスキャンすることです。Hesai（禾賽）は2026年10月、3Dワールドデータエンジン「Kosmo」を発表しました。23 報道によると、Kosmoを使えば約100平方メートルの屋内空間を約15分でスキャンでき、3D Gaussian Splatting（3DGS）、メッシュ、深度データなどを出力できるとされています。
25
26 これらは公表・報道された性能であり、再構成の精度を独立に検証した結果ではありません。
もう一つの軸となるToposは、3Dシーンの生成、現実空間の再構成、具身シミュレーションを扱うワールドシミュレーターとしてInSpatioが紹介しています。14 また、同社の研究「InSpatio-World」は、参照動画から動的でインタラクティブなシーンを再構成・生成する枠組みを説明しています。
17 ただし、これらの情報だけでは、Topos Proが対応する入力形式や全機能を一つずつ確認できるわけではありません。
見た目の再現だけでは、ロボットは物体を扱えない
スキャンした空間が見た目には自然でも、それだけで物体をつかんだり、押したりした際の動きまで正確に再現できるとは限りません。Kosmoに関する報道では、スキャン後も物理特性などのデータを補完・設定する必要があると指摘されています。26
ロボットの訓練では、物体がどこにあるかだけでなく、接触したときにどう動くかも重要です。物体の形状や衝突判定が適切でなければ、シミュレーション内の経験が現実の動作に結びつかない可能性があります。物体の物理特性の設定や、隠れた部分の形状再構成、接触物理の調整について、InSpatioが具体的にどう行っているかは、確認できる情報からは分かりません。
データの目標と、実機での成果は別の話
シミュレーションなら、物理的な設備を毎回組み直さずに、さまざまな条件の訓練を繰り返せる可能性があります。一方で、物理挙動の再現が不正確なら、作られるデータが多くても、ロボットにとって役立つとは限りません。シミュレーションで学んだ動作が実機でも通用するかを確かめるには、実際のロボットでの検証が重要です。
現時点で確認できるのは、InSpatioが杭州にシミュレーション主導のデータセンターを開設し、月100万時間規模の生産を目標に掲げたこと、そして空間の取得・3D再構成・シミュレーションをつなぐ構想が報じられていることです。4
25 その目標をすでに達成したか、幅広いタスクに対応するデータを安定して作れるか、そこで学習したロボットが実環境で高い性能を示すかは、まだ確認されていません。
環境を再利用して多様な訓練条件を作るという狙いは明快です。焦点は、その仕組みが掲げた規模に届き、実機での成果につながるかどうかです。
Studio Global AI
研究を続けてください
このページにはソースに裏付けされた回答が含まれており、Studio Global 内で続行できます。
人々も尋ねます
「ロボット学習の量と多様さを、シミュレーションで広げられるか」の短い答えは何ですか?
InSpatioは、編集・再利用できる3D環境を活用し、杭州の拠点で月100万時間規模のロボット学習データ生産を目指しています。
最初に検証する重要なポイントは何ですか?
InSpatioは、編集・再利用できる3D環境を活用し、杭州の拠点で月100万時間規模のロボット学習データ生産を目指しています。 現実空間のスキャンや3Dシーンの再構成をシミュレーションにつなげる構想ですが、物体の物理特性などは別途補う必要があります。
次の実践では何をすればいいでしょうか？
生産目標は発表段階のもので、実際の達成量や、シミュレーションで学習したロボットの実機性能は確認されていません。