「一度見せるだけ」で学ぶロボット——HOSTとGEN-1.5が示す身体知能の転換

HOSTは何を示したのか

HOSTの重要な点は、人間の手の軌跡をそのままロボットの動作へ変換して再生するだけではないことだ。動画をタスクの進行度を示す参照として利用し、ロボット自身のカメラ観測や身体状態に基づいて、次に必要な動作を組み立てる。

たとえば、人間がある物体をつかんで移動させる動画を見た場合、ロボットは手の位置を単純に追いかけるのではなく、「現在、作業のどの段階にいるか」「次にどの状態へ到達すべきか」を推定し、自分の身体と環境に合わせて動く。この設計により、人間とロボットの体格や視点が異なっていても、動作の目的を移し替えようとする。

50種類の未見タスクを各20回試した評価は、異なる物体、道具、操作の基本動作へ技能を転移できることを示す材料になる。一方、平均成功率は62％であり、あらゆる作業を安定して任せられる段階ではない。

環境を変えた頑健性評価では、照明、物体、シーン、人間による妨害の変化に対して、基準となる成功率からの低下がそれぞれ1％、4％、6％、9％だったと報告されている。 ただし、これは研究チームが設定した実験条件での結果であり、家庭や工場の無制限な環境にそのまま当てはまるとは限らない。

GEN-1.5は「物理的プロンプト」として実演を扱う

GEN-1.5は、同じ方向性をより大規模な身体知能モデルの能力として提示する。数秒間のセンサー運動実演を、モデルのコンテキストに入れる「物理的プロンプト」として扱い、新しいポリシーをその場で再学習するのではなく、文脈から次のロボット動作を生成する。

Generalist AIは、瓶を開ける、ポーチを開ける、物体をボウルへ掃き入れるといった短い操作に加え、人間の手による実演をロボットへ移すこと、2つの指示された行動を組み合わせること、シミュレーション上の実演を現実のロボットで実行することなども紹介している。

ただし、「再訓練不要」という説明は、すべての利用場面で学習が不要という意味ではない。ワンショットの物理的プロンプトには更新がない一方、より難しい作業には、1〜5分のデータを使った勾配ベースの少数ショット適応が用意されている。

数秒で学べる理由は「過去の学習」を使うから

両システムの効率を理解するうえで重要なのは、ロボットが短い動画だけから一般的な物理法則を初めて学んでいるわけではない、という点だ。

事前学習済みのモデルは、物体をつかむ、押す、引く、移動させるといった操作に関する広い知識をすでに持っている。新しい実演動画は、その知識をどの目的に、どの順序で使うかを指定する。従来は新しいタスクのたびに大量のロボット実演を集め、モデルを微調整する必要があったが、そのコストを事前学習にまとめて負担しているのである。

HOSTはこのトレードオフを数値で示した。平均29秒で新しい技能を取得し、タスクごとに50件のロボット実演を使う教師あり微調整に比べて、技能獲得が約507倍速いと報告している。

人間の「見せて教える」に近づくロボット

この研究の方向性は、ロボットへの指示方法そのものを変える可能性がある。人間が新人に作業を教えるときのように、細かなプログラムを書くのではなく、実際の動作を見せる。報酬関数を設計したり、何百件もの遠隔操作データを集めたり、タスクごとに長時間の訓練を行ったりする負担を減らせる可能性がある。

もっとも、動画からの観察学習は、人間のような完全な理解を意味しない。ロボットは、見慣れない物体、異なる摩擦や重量、遮られた視界、失敗からの復帰、安全上の制約に直面する。短い実演から目的を読み取り、自分の身体と環境に合わせて実行できるかが、実用化の分かれ目になる。

まだ「再訓練の代替」とは言えない理由

• HOSTは管理された実験環境での学術的成果だ。 評価対象は選ばれた50の未見タスクで、平均成功率は62％にとどまる。家庭、工場、長時間の連続作業、安全性が重要な作業、第三者による再現実験で同様の性能が得られるかは、まだ確認されていない。

• GEN-1.5は独立評価が難しい。 モデルの能力、学習期間、シミュレーションデータを使っていないという説明、実演時間、適応方法はいずれもGeneralist AIの発表、または同社の発表を紹介する資料に基づく。

• 両者を同じ条件で比べられる公開ベンチマークはない。 GEN-1.5については、標準化されたタスク数、試行手順、ワンショットの総合成功率、ベースライン、モデルやデータの公開、第三者による再現結果が十分に示されていない。そのため、公開デモは有望な能力の証拠ではあるものの、性能の最前線を確定する検証結果とはまだ言えない。

結論

HOSTは、単一の人間動画から、パラメーターを更新せずに新しい操作技能を獲得できることを、定義された実験タスク群で示した。GEN-1.5は、十分に広い身体知能の事前学習を行えば、同様の能力が汎用モデルの文脈内学習として現れる可能性を示している。

ロボットを「プログラムする」から「一度見せる」へ移す流れは、確かに進みつつある。ただし現時点での適切な結論は、観察による技能獲得が実用的な再訓練の完全な代替になったということではない。制約のない環境で使うには、依然としてタスク検証、安全工学、必要に応じた追加適応、そして独立した性能評価が欠かせない。