SynapXが世界ロボット大会2026で発表したもの

中国・北京で開かれた世界ロボット大会（WRC）2026で、物理AI企業のSynapXは、一般的な「より人間らしいロボット」を前面に出すのとは異なる道筋を示しました。まず、ロボットの体全体を作るのではなく、複数の機体や作業環境で使い回せる知能と操作機構を先に整えるという発想です。

同社が発表したのが、**「Brain–Hand–Data（脳・手・データ）」**と呼ぶ技術体系です。世界モデルのSYNWorld、器用なロボットハンドのOctoH-Hand、実演データを収集するOctoSenseを一体のシステムとして位置づけています。12

SynapXの考えでは、ロボットにとって最も重要なのは、人間そっくりの外見や二足歩行そのものではありません。物理世界がどう変化するかを理解し、対象物に対して正確かつ柔軟に働きかける能力です。共通の「脳」と「手」を、異なるロボット本体、ロボットアーム、固定式の作業セルなどに搭載できれば、特定の人型機体に閉じない知能基盤になる可能性があります。114

SYNWorld――物理世界を理解する「脳」

SynapXは、SYNWorld V0.5を「具身ネイティブな汎用世界基盤モデル」と説明しています。これは、作業ごとに別々のスクリプトを用意するのではなく、焼きたてのパンを扱う、服をたたむ、精密なパズルを完成させるといった作業に共通する物理的な規則を学習しようとするモデルです。大会では、トースト、衣類、細かなパズルを使ったデモが披露されました。1922

SYNWorldの機能は、大きく2つの方向から示されています。

• アクション制御型ワールドモデル（ACWM）：ある動作を行ったとき、周囲の環境がどう変化するかを予測する
• ワールド・アクションモデル（WAM）：現在の状態と将来の変化を理解し、ロボットの軌道や動作を生成する

同社によれば、SYNWorld V0.5はパラメーター規模160億、300,000時間超のマルチモーダルデータで学習されています。14

狙いは、物理世界の規則性を一度学び、作業やロボットの種類が変わっても能力を移植することです。ただし、デモンストレーションの外側にある未知の環境でも、同じように安定して一般化できるかは、今後検証が必要な中心課題です。

OctoH-Hand――触覚と力制御を担う「手」

OctoH-Handは、多指協調、親指の対向運動、指先の細かな動き、複雑な把持を想定した高自由度のバイオニック・ロボットハンドです。報道された仕様では、手の部分に腱駆動、小型の前腕部にモーターを置く構成を組み合わせ、28個の独立制御アクチュエーター、23のアクティブ自由度、1,900個超の触覚センサーを備えます。418

通常のグリッパーとの違いは、物体をつかんで終わりではなく、接触後も握る力を調整し続ける閉ループ制御にあります。力、圧力、接触状態を検知しながら、滑りそうなら力を加え、壊れやすい物なら力を緩める。食品や衣類のように形が変わる物体を扱うには、このフィードバックが欠かせません。

つまりSynapXは、センサーや力制御を「後付けの機能」ではなく、器用な操作そのものの中核と見なしています。14

OctoSense――人間の作業を学習データに変える仕組み

OctoSenseは、SynapXの具身データ収集システムです。大会で紹介された装置には、魚眼カメラ付きのヘッドセット、筋電（EMG）リストバンド、外骨格型のデータグローブが含まれます。1512

これらを組み合わせることで、人が何を見ているか、体や手をどう動かしているか、対象物にどの程度の力を加えているかを、視覚、姿勢、動作、筋電、力、トルク、圧力、触覚などのデータとして記録する構想です。

人間の手の動きをロボットの手に移す際には、関節構造や自由度の違いを埋める「リターゲティング」が必要になります。SynapXは、OctoSenseとOctoH-Handの運動学やセンシングを対応させることで、この変換の負担を減らし、人間の実演をロボット学習に直接利用しやすくすることを目指しています。

同社は、筋電信号について個人をまたいだゼロショット一般化も主張しています。ただし、これが大規模かつ安定的に機能することを示す独立した証拠は、現時点で利用可能な報道だけでは限られています。5720

3つの製品をつなぐ「データフライホイール」

SynapXの構想では、3製品は別々の製品ラインではなく、次の循環を形成します。

1. 人間が日常的な物理作業を実演する
2. OctoSenseが視覚、動作、筋電、力、触覚などを同期して記録する
3. SYNWorldが物理的な結果を予測し、行動方策を学習する
4. OctoH-Handが触覚と力のフィードバックを使って動作を実行する
5. 現実世界での結果と新たな実演が、次の学習データになる

この循環が、SynapXの賭けの中心です。データが増えればモデルが改善し、モデルが賢くなればハンドを使える場面が広がり、実運用の場面が増えればさらに豊かなデータが集まる――という考え方です。137

モデル、ロボットハンド、人型の筐体をそれぞれ単独で最適化するよりも、収集・学習・実行・フィードバックを一つのループにした方が、作業や機体をまたいで移植できる「身体スキル」を育てやすいというのが、SynapXの主張です。

なぜ人型ロボットの体ではなく、脳と手なのか

人型の体には、当然ながら利点があります。人間向けに設計された空間に入りやすく、既存の工具や設備を使える可能性があるためです。

一方、SynapXは、胴体や脚を「導入先に応じて交換されるプラットフォーム」と捉えています。より長く使い回せる基盤は、物理世界を予測するモデルと、実際に物体を扱うエンドエフェクター――つまりロボットの手――だという立場です。

これは技術戦略であると同時に、事業戦略でもあります。SynapXは、完成したロボットをすべて自社で製造したり、工場、飲食店、家庭向けの最終サービスを直接運営したりするのではなく、汎用モデル、器用なハンド、データ基盤を提供する物理AIの基盤レイヤー企業を目指しているとみられます。2314

歩行は目を引く一方、商用化で先に問われるのは、物体を安全かつ柔軟に扱えるかもしれません。柔らかな食品を持ち、決められた位置に置き、適切な力で押し、予想外の接触に対応する。こうした仕事は、脚よりも手とセンシングの性能に直結します。

「中学生レベルのシリコン労働力」とは何か

創業者の都大龍氏が語る「中学生レベルのシリコン労働力」は、文字通りの学歴を指す表現ではなく、能力と経済性を表す比喩として読むのが適切です。

最初の目標は、人間と同等の万能労働者ではありません。比較的低コストで、指示を理解し、作業場所を把握し、両手を使い、実演から学び、監督を受けながら一般的な作業をこなせるデジタル労働力です。

このモデルでは、共通の基盤モデルとフリート学習が価値を生みます。ある場所で覚えた技能を別の環境に適応できれば、ロボットごと、作業ごとにゼロから作り直す必要がなくなります。

もっとも、これは現時点で確立した導入実績ではなく、SynapXが描くビジョンです。実現には、信頼性、安全性、ハードウェア価格、保守費用、人間による監督がどの程度必要かといった条件が関わります。

ハンバーガーが「ChatGPTモーメント」になる理由

都氏が、単純なピック・アンド・プレースではなくハンバーガー作りに注目するのは、そこに複数の器用さが凝縮されているからです。

ロボットは、形や硬さの異なる食材を扱い、複数の指を協調させ、つかむ・押す・切る力を調整し、工程を順番どおりに進め、食材を正確に配置しなければなりません。力が強すぎればつぶれ、弱すぎれば落ちるため、繊細な接触センシングも必要です。

もしロボットが、食材や工具、作業台が変わっても、人間より安定してハンバーガーを作れるようになれば、それは固定されたプログラムによる自動化から、再利用可能な身体スキルの段階へ進んだことを示す可能性があります。

その技能は、食品包装の扱い、パンや野菜の搬送、具材のディスペンス、組み立て、清掃、物品の移動など、飲食業のさまざまな作業に広がり得ます。ハンバーガーは単なるデモではなく、汎用的な器用さを測る小さなベンチマークになり得るというわけです。

都氏が示した「1～2年」という時間軸は、検証済みの業界予測ではなく、あくまで目標として扱うべきです。公開情報が裏付けているのは、SynapXの製品説明とデモンストレーションであり、その期限が達成されることではありません。14

Teslaの比較が示すこと、示さないこと

Teslaの人型ロボット「Optimus」をめぐっては、イーロン・マスク氏が、手だけでOptimusのエンジニアリング作業のおよそ半分を占めるとの見方を示したと報じられています。これは、人型ロボットにおいて手がどれほど難しく重要な部位と考えられているかを示す材料です。23

ただし、これはTeslaのハードウェア研究予算の半分を手に配分しているという意味ではありません。引用された情報が示すのは、あくまでエンジニアリング上の負荷に関する説明であり、予算の内訳ではありません。

SynapXが強調する、より限定的で確かな論点はこうです。どれほど強力なロボットの「脳」があっても、信頼できる器用さ、豊かな触覚、正確な力制御がなければ、日常の物理作業をこなすのは難しい。だからこそ同社は、万能なロボット本体を一つ選ぶ前に、物理知能の核だと考えるモデル、手、データのループを製品化しようとしています。

それでも残る検証課題

SynapXの構想は、具身AIを「人型ロボットの完成度」だけでなく、基盤モデル、エンドエフェクター、学習データの組み合わせとして捉え直すものです。もし異なる機体や現場に技能を移植できれば、完成品ロボットを一台ずつ専用設計するより、物理作業の自動化を広げやすくなる可能性があります。

ただし、その価値はデモの見栄えではなく、未知の物体への対応、長時間稼働、安全性、故障率、コスト、人間の介入量によって決まります。「脳・手・データ」が本当に一つの学習循環として機能するのか。ハンバーガー作りが、低コストで移植可能な技能の入口になるのか。SynapXの賭けは、今後の実運用と第三者による検証によって試されることになります。

SynapXが世界ロボット大会2026で発表したもの

中国・北京で開かれた世界ロボット大会（WRC）2026で、物理AI企業のSynapXは、一般的な「より人間らしいロボット」を前面に出すのとは異なる道筋を示しました。まず、ロボットの体全体を作るのではなく、複数の機体や作業環境で使い回せる知能と操作機構を先に整えるという発想です。

同社が発表したのが、**「Brain–Hand–Data（脳・手・データ）」**と呼ぶ技術体系です。世界モデルのSYNWorld、器用なロボットハンドのOctoH-Hand、実演データを収集するOctoSenseを一体のシステムとして位置づけています。12

SynapXの考えでは、ロボットにとって最も重要なのは、人間そっくりの外見や二足歩行そのものではありません。物理世界がどう変化するかを理解し、対象物に対して正確かつ柔軟に働きかける能力です。共通の「脳」と「手」を、異なるロボット本体、ロボットアーム、固定式の作業セルなどに搭載できれば、特定の人型機体に閉じない知能基盤になる可能性があります。114

SYNWorld――物理世界を理解する「脳」

SynapXは、SYNWorld V0.5を「具身ネイティブな汎用世界基盤モデル」と説明しています。これは、作業ごとに別々のスクリプトを用意するのではなく、焼きたてのパンを扱う、服をたたむ、精密なパズルを完成させるといった作業に共通する物理的な規則を学習しようとするモデルです。大会では、トースト、衣類、細かなパズルを使ったデモが披露されました。1922

SYNWorldの機能は、大きく2つの方向から示されています。

• アクション制御型ワールドモデル（ACWM）：ある動作を行ったとき、周囲の環境がどう変化するかを予測する
• ワールド・アクションモデル（WAM）：現在の状態と将来の変化を理解し、ロボットの軌道や動作を生成する

同社によれば、SYNWorld V0.5はパラメーター規模160億、300,000時間超のマルチモーダルデータで学習されています。14

狙いは、物理世界の規則性を一度学び、作業やロボットの種類が変わっても能力を移植することです。ただし、デモンストレーションの外側にある未知の環境でも、同じように安定して一般化できるかは、今後検証が必要な中心課題です。

OctoH-Hand――触覚と力制御を担う「手」

OctoH-Handは、多指協調、親指の対向運動、指先の細かな動き、複雑な把持を想定した高自由度のバイオニック・ロボットハンドです。報道された仕様では、手の部分に腱駆動、小型の前腕部にモーターを置く構成を組み合わせ、28個の独立制御アクチュエーター、23のアクティブ自由度、1,900個超の触覚センサーを備えます。418

通常のグリッパーとの違いは、物体をつかんで終わりではなく、接触後も握る力を調整し続ける閉ループ制御にあります。力、圧力、接触状態を検知しながら、滑りそうなら力を加え、壊れやすい物なら力を緩める。食品や衣類のように形が変わる物体を扱うには、このフィードバックが欠かせません。

つまりSynapXは、センサーや力制御を「後付けの機能」ではなく、器用な操作そのものの中核と見なしています。14

OctoSense――人間の作業を学習データに変える仕組み

OctoSenseは、SynapXの具身データ収集システムです。大会で紹介された装置には、魚眼カメラ付きのヘッドセット、筋電（EMG）リストバンド、外骨格型のデータグローブが含まれます。1512

これらを組み合わせることで、人が何を見ているか、体や手をどう動かしているか、対象物にどの程度の力を加えているかを、視覚、姿勢、動作、筋電、力、トルク、圧力、触覚などのデータとして記録する構想です。

人間の手の動きをロボットの手に移す際には、関節構造や自由度の違いを埋める「リターゲティング」が必要になります。SynapXは、OctoSenseとOctoH-Handの運動学やセンシングを対応させることで、この変換の負担を減らし、人間の実演をロボット学習に直接利用しやすくすることを目指しています。

同社は、筋電信号について個人をまたいだゼロショット一般化も主張しています。ただし、これが大規模かつ安定的に機能することを示す独立した証拠は、現時点で利用可能な報道だけでは限られています。5720

3つの製品をつなぐ「データフライホイール」

SynapXの構想では、3製品は別々の製品ラインではなく、次の循環を形成します。

1. 人間が日常的な物理作業を実演する
2. OctoSenseが視覚、動作、筋電、力、触覚などを同期して記録する
3. SYNWorldが物理的な結果を予測し、行動方策を学習する
4. OctoH-Handが触覚と力のフィードバックを使って動作を実行する
5. 現実世界での結果と新たな実演が、次の学習データになる

この循環が、SynapXの賭けの中心です。データが増えればモデルが改善し、モデルが賢くなればハンドを使える場面が広がり、実運用の場面が増えればさらに豊かなデータが集まる――という考え方です。137

モデル、ロボットハンド、人型の筐体をそれぞれ単独で最適化するよりも、収集・学習・実行・フィードバックを一つのループにした方が、作業や機体をまたいで移植できる「身体スキル」を育てやすいというのが、SynapXの主張です。

なぜ人型ロボットの体ではなく、脳と手なのか

人型の体には、当然ながら利点があります。人間向けに設計された空間に入りやすく、既存の工具や設備を使える可能性があるためです。

一方、SynapXは、胴体や脚を「導入先に応じて交換されるプラットフォーム」と捉えています。より長く使い回せる基盤は、物理世界を予測するモデルと、実際に物体を扱うエンドエフェクター――つまりロボットの手――だという立場です。

これは技術戦略であると同時に、事業戦略でもあります。SynapXは、完成したロボットをすべて自社で製造したり、工場、飲食店、家庭向けの最終サービスを直接運営したりするのではなく、汎用モデル、器用なハンド、データ基盤を提供する物理AIの基盤レイヤー企業を目指しているとみられます。2314

歩行は目を引く一方、商用化で先に問われるのは、物体を安全かつ柔軟に扱えるかもしれません。柔らかな食品を持ち、決められた位置に置き、適切な力で押し、予想外の接触に対応する。こうした仕事は、脚よりも手とセンシングの性能に直結します。

「中学生レベルのシリコン労働力」とは何か

創業者の都大龍氏が語る「中学生レベルのシリコン労働力」は、文字通りの学歴を指す表現ではなく、能力と経済性を表す比喩として読むのが適切です。

最初の目標は、人間と同等の万能労働者ではありません。比較的低コストで、指示を理解し、作業場所を把握し、両手を使い、実演から学び、監督を受けながら一般的な作業をこなせるデジタル労働力です。

このモデルでは、共通の基盤モデルとフリート学習が価値を生みます。ある場所で覚えた技能を別の環境に適応できれば、ロボットごと、作業ごとにゼロから作り直す必要がなくなります。

もっとも、これは現時点で確立した導入実績ではなく、SynapXが描くビジョンです。実現には、信頼性、安全性、ハードウェア価格、保守費用、人間による監督がどの程度必要かといった条件が関わります。

ハンバーガーが「ChatGPTモーメント」になる理由

都氏が、単純なピック・アンド・プレースではなくハンバーガー作りに注目するのは、そこに複数の器用さが凝縮されているからです。

ロボットは、形や硬さの異なる食材を扱い、複数の指を協調させ、つかむ・押す・切る力を調整し、工程を順番どおりに進め、食材を正確に配置しなければなりません。力が強すぎればつぶれ、弱すぎれば落ちるため、繊細な接触センシングも必要です。

もしロボットが、食材や工具、作業台が変わっても、人間より安定してハンバーガーを作れるようになれば、それは固定されたプログラムによる自動化から、再利用可能な身体スキルの段階へ進んだことを示す可能性があります。

その技能は、食品包装の扱い、パンや野菜の搬送、具材のディスペンス、組み立て、清掃、物品の移動など、飲食業のさまざまな作業に広がり得ます。ハンバーガーは単なるデモではなく、汎用的な器用さを測る小さなベンチマークになり得るというわけです。

都氏が示した「1～2年」という時間軸は、検証済みの業界予測ではなく、あくまで目標として扱うべきです。公開情報が裏付けているのは、SynapXの製品説明とデモンストレーションであり、その期限が達成されることではありません。14

Teslaの比較が示すこと、示さないこと

Teslaの人型ロボット「Optimus」をめぐっては、イーロン・マスク氏が、手だけでOptimusのエンジニアリング作業のおよそ半分を占めるとの見方を示したと報じられています。これは、人型ロボットにおいて手がどれほど難しく重要な部位と考えられているかを示す材料です。23

ただし、これはTeslaのハードウェア研究予算の半分を手に配分しているという意味ではありません。引用された情報が示すのは、あくまでエンジニアリング上の負荷に関する説明であり、予算の内訳ではありません。

SynapXが強調する、より限定的で確かな論点はこうです。どれほど強力なロボットの「脳」があっても、信頼できる器用さ、豊かな触覚、正確な力制御がなければ、日常の物理作業をこなすのは難しい。だからこそ同社は、万能なロボット本体を一つ選ぶ前に、物理知能の核だと考えるモデル、手、データのループを製品化しようとしています。

それでも残る検証課題

SynapXの構想は、具身AIを「人型ロボットの完成度」だけでなく、基盤モデル、エンドエフェクター、学習データの組み合わせとして捉え直すものです。もし異なる機体や現場に技能を移植できれば、完成品ロボットを一台ずつ専用設計するより、物理作業の自動化を広げやすくなる可能性があります。

ただし、その価値はデモの見栄えではなく、未知の物体への対応、長時間稼働、安全性、故障率、コスト、人間の介入量によって決まります。「脳・手・データ」が本当に一つの学習循環として機能するのか。ハンバーガー作りが、低コストで移植可能な技能の入口になるのか。SynapXの賭けは、今後の実運用と第三者による検証によって試されることになります。