EBKernel「Cog-WM 1.0」：地図なしで動くロボットへ、認知世界モデルは何を約束するのか

Cog-WM 1.0とは

上海のEBKernelは、2026年9月14日に開催された浦江イノベーションフォーラムで、Cog-WM 1.0を発表した。これは脳の認知メカニズムに着想を得た「認知世界モデル」で、ロボットがあらかじめ用意された地図に頼らず、未知の空間で自律移動し、物体を扱うための共通基盤を目指すものだ。39

ここでいう世界モデルとは、周囲の環境について内部的な表現を保ち、「この行動をすると次に何が起きそうか」を予測する仕組みを指す。EBKernelはCog-WMを、シーンの全ピクセルを再構成するのではなく、現在のロボットの目的に必要な情報を符号化・予測する潜在空間（latent space）予測のシステムとして位置付けている。3

中核は「目的に必要な記憶」を残すこと

同社の説明では、Cog-WMは認知地図の考え方を取り入れ、観測ごとに記憶を一律更新するのではなく、重要な変化に応じて選択的に更新する。また、繰り返し使える空間知識と、個別の出来事に関する経験を分け、複数の時間スケールで将来を予測するという。

これは生物学的な脳をそのまま再現したという主張ではない。神経科学から得た計算上の着想を、ロボットの認知・行動アーキテクチャに応用する試みとみるのが適切だ。

ナビゲーションでは、明示的な空間記憶を用いて、最終目標に照らして次に探索すべき地点や経路を選ぶ。構造化された空間知識を重視する点では、自己中心的な移動軌跡と文脈情報から、俯瞰的な認知地図を構築する研究フレームワーク「BSC-Nav」と共通する方向性がある。

ナビゲーション性能：成功率の伸びは大きく、経路効率は小幅

もっとも具体的な比較として、EBKernelはHM3D-ObjectNavのサブセットでの結果を公表している。企業発表によれば、Cog-WM 1.0の成績は次の通りだ。

• 成功率（SR）86.89％：BSC-Navの**78.50％に対し、8.39ポイント上昇。相対では10.69％**の改善となる。
• SPL 48.35：BSC-Navの47.70から上昇。

SPLは、目的達成の可否だけでなく、そこへ至る経路の効率も加味する指標だ。このため、公開された数字を素直に読むなら、Cog-WM 1.0はこのテストで目標到達の成功率を大きく上げた一方、成功時の移動経路がどれほど短くなったかという改善は比較的小さい。つまり、より頻繁に目的地へ到達できる可能性は示すものの、経路効率も同程度に飛躍したことまでは示していない。

物体操作では最大約16％の改善を報告

物体操作についてEBKernelは、RoboTwin 2.0を含む3つの評価スイートで、大量データにより事前学習されたπ0.5系ベースラインを最大約**16％**上回ったとしている。3

同社は、短期・長期の両方で行動結果を学習し、目標達成への進捗に寄与した経験をより重視する設計だと説明する。ただし、利用可能な資料には、ベンチマークごとの完全な結果表、センサー構成、学習データ、評価プロトコルが十分には掲載されていない。そのため、π0.5系ベースラインとの比較条件が同等だったかを第三者が検証することはできない。

LIBERO-Plusで示されたアブレーション結果についても、ポリシー単体の約80％から、フルシステムの84.6％まで改善したとされる。しかし、詳細な技術報告書や結果表が公開資料で確認できない以上、これらは独立検証済みの結果ではなく、企業による測定値として受け取るべきだ。

実機展開で掲げる用途

EBKernelは、車輪型ヒューマノイドと四足ロボットで、事前地図なしの自律移動、経路計画、時空間記憶の検索、空間関係に関する質問応答、物体探索を実証したとしている。さらに、車輪型ヒューマノイドで物体操作能力も検証したという。3

EBKernelは上海を拠点とし、2025年設立の企業だ。同社の大きな仮説は、認知と記憶を重視するアーキテクチャによって、身体性AI（embodied AI）が巨大なデータ量や計算資源に過度に依存する状態を緩和できる、というものだ。11

どう評価すべきか

Cog-WM 1.0が示す研究の方向性自体は一貫している。すなわち、空間記憶、抽象状態の予測、目標に基づく計画を結びつけ、ロボットが未知環境で行動する基盤をつくろうというものだ。BSC-Navとの比較も、どちらも単なる反応的な視覚処理ではなく、構造化された空間知識をナビゲーションに生かそうとしている点で興味深い。

一方で、最も目を引く性能値の多くは企業発表に由来する。より強い結論を出すには、公開コードまたは詳細な技術文書、学習データとセンサー条件の整合、計算資源の明示、異なる環境における第三者評価が必要になる。

結論として、Cog-WM 1.0は、潜在空間での予測と認知的な空間記憶を組み合わせる、初期段階ながら有望な身体性AIの提案である。報告されたベンチマーク改善は注目に値するが、オープンな現場で汎用的かつ信頼性の高い自律性を実証したと判断するには、まだ材料が足りない。