X-Humanoidが公開したPelican関連資料からは、知覚・未来予測・行動をつなぐ「身体性AI」の研究が見えてきます。3つのモデルはそれぞれ役割が異なり、Pelican-VLA 0.5は未来フレームの生成と行動予測を組み合わせ、Pelican-Sim 1.0はロボットの動作を条件に未来の観測を予測し、Pelican-Unifyは理解・推論・想像・行動の統合を目指しています。171844

ただし、これらの公開情報だけでは、10月のROSCon Chinaで鄒世龍氏が講演したとされる内容を細部まで裏付けることはできません。とくに「4段階の汎化」や、データ収集から自己進化する方策までを含む具体的なロードマップが講演で示されたかは、確認できる資料の範囲外です。

公開資料で確認できる3つのモデル

Pelican-VLA 0.5：見て、状況を理解し、行動する

Pelican-VLA 0.5は、視覚と言語の理解、未来フレームの生成、行動予測を一つのアーキテクチャにまとめた視覚・言語・行動（VLA）モデルとして説明されています。44 プロジェクトのリポジトリによると、共通の基盤にはQwen3-VL 4Bを採用。異なるロボット形態に対応する事前学習済みチェックポイントを公開し、約2,400時間分の多様な操作データで学習したとしています。4647

報告では、タスクごとの追加学習を行う前から、モデルの行動経路における注意が、指示に関係する物体や接触箇所に向いていたとされています。4446 また、RoboTwinで追加学習した後の成功率は、Clean環境で91.4％、Randomized環境で91.0％と報告されています。44

これらはPelican-VLA 0.5についての結果です。「各タスクの元のデモ50件に生成軌跡500件を追加したところ、Pelican-Simで特定の成果が得られた」という別の主張を裏付けるものではありません。

Pelican-Sim 1.0：動作の先に起こることを予測する

Pelican-Sim 1.0は、視覚的な状況とロボットの動作をもとに、次に得られる観測を予測する世界モデル型シミュレーターとして紹介されています。目的は、その予測を後段の学習や意思決定に役立てることです。技術報告では、数値による動作表現と視覚による動作表現を同期させる設計が説明されています。17

つまり、知覚から行動を直接予測するPelican-VLA 0.5に対し、Pelican-Sim 1.0は「この動作をしたら、次に何が見えるか」をモデル化する役割を担います。公開資料はこの役割を説明していますが、講演で語られたとされる「4層のデータ戦略」や、デモ50件と生成軌跡500件を使った場合の詳細な成功率までは確認できません。17

Pelican-Unify：理解・推論・想像・行動をまとめる

Pelican-Unify 1.0の技術報告は、理解、推論、想像、行動を統合する身体性知能モデルとして位置づけています。単一の視覚言語モデルを理解の共通部分として用い、シーン、指示、視覚的な文脈、過去の行動を共有された意味空間に写像すると説明されています。18

このモデルは、10月のイベントより前に公開資料が存在していました。技術報告には2026年5月を示す識別子があり、同月の報道でも公開が伝えられています。1824 そのため、「10月に初めて公開された」とは言えません。一方で、ROSCon Chinaの参加者に向けて新たに紹介・説明された可能性まで否定するものではありません。

3つのモデルをどう見るか

公開資料を並べると、Pelican-VLA 0.5は視覚・言語入力と行動、さらに未来フレームを結びつけ、Pelican-Sim 1.0は動作に応じた未来の観測を予測し、Pelican-Unifyは理解・推論・想像・行動の一体化を目指しています。171844

これらは、公開された各モデルの説明をもとに整理したものです。3つがこの順番で開発された、あるいは講演で一つの公式ロードマップとして示されたと確認できるわけではありません。

講演内容について、まだ確認できない点

ROSCon China 2026の公式サイトでは、上海で10月16日から18日まで開催予定だったことが確認できます。ただし、確認できる大会情報だけでは、基調講演のタイトルや登壇者、10月17日の登壇枠、講演内容までは特定できません。3

また、「背景・構成・クロス・領域外」という4段階の汎化について、講演で用いられた正確な定義も確認できません。ロボット本体を映さない一人称映像や手持ちのUMI撮影から、シミュレーション・生成データ、失敗からの回復データ、世界モデルによる推論とフィードバック型の方策更新へ進むというデータ戦略についても、提供資料は裏付けていません。

視覚と言語のどちらに依存しているかを調べるための表現分析、注意経路への介入、行動テストの詳細も同様です。長期タスクでの失敗回復を改善する研究や、モデル内のロールアウト、方策更新、実機検証、フィードバックデータをつなぐ具体的な学習ループについても、講演の内容として確認できる根拠はありません。

現時点で言えるのは、X-Humanoidの公開資料が、認識・未来の予測・行動を結びつけるモデルと、ロボットの動作に条件づけた世界モデルの研究を示していることです。講演で語られたとされる、より詳細なロードマップについては、録画やスライド、公式の詳しい報告が確認できるまでは断定を避ける必要があります。

X-Humanoidが公開したPelican関連資料からは、知覚・未来予測・行動をつなぐ「身体性AI」の研究が見えてきます。3つのモデルはそれぞれ役割が異なり、Pelican-VLA 0.5は未来フレームの生成と行動予測を組み合わせ、Pelican-Sim 1.0はロボットの動作を条件に未来の観測を予測し、Pelican-Unifyは理解・推論・想像・行動の統合を目指しています。171844

ただし、これらの公開情報だけでは、10月のROSCon Chinaで鄒世龍氏が講演したとされる内容を細部まで裏付けることはできません。とくに「4段階の汎化」や、データ収集から自己進化する方策までを含む具体的なロードマップが講演で示されたかは、確認できる資料の範囲外です。

公開資料で確認できる3つのモデル

Pelican-VLA 0.5：見て、状況を理解し、行動する

Pelican-VLA 0.5は、視覚と言語の理解、未来フレームの生成、行動予測を一つのアーキテクチャにまとめた視覚・言語・行動（VLA）モデルとして説明されています。44 プロジェクトのリポジトリによると、共通の基盤にはQwen3-VL 4Bを採用。異なるロボット形態に対応する事前学習済みチェックポイントを公開し、約2,400時間分の多様な操作データで学習したとしています。4647

報告では、タスクごとの追加学習を行う前から、モデルの行動経路における注意が、指示に関係する物体や接触箇所に向いていたとされています。4446 また、RoboTwinで追加学習した後の成功率は、Clean環境で91.4％、Randomized環境で91.0％と報告されています。44

これらはPelican-VLA 0.5についての結果です。「各タスクの元のデモ50件に生成軌跡500件を追加したところ、Pelican-Simで特定の成果が得られた」という別の主張を裏付けるものではありません。

Pelican-Sim 1.0：動作の先に起こることを予測する

Pelican-Sim 1.0は、視覚的な状況とロボットの動作をもとに、次に得られる観測を予測する世界モデル型シミュレーターとして紹介されています。目的は、その予測を後段の学習や意思決定に役立てることです。技術報告では、数値による動作表現と視覚による動作表現を同期させる設計が説明されています。17

つまり、知覚から行動を直接予測するPelican-VLA 0.5に対し、Pelican-Sim 1.0は「この動作をしたら、次に何が見えるか」をモデル化する役割を担います。公開資料はこの役割を説明していますが、講演で語られたとされる「4層のデータ戦略」や、デモ50件と生成軌跡500件を使った場合の詳細な成功率までは確認できません。17

Pelican-Unify：理解・推論・想像・行動をまとめる

Pelican-Unify 1.0の技術報告は、理解、推論、想像、行動を統合する身体性知能モデルとして位置づけています。単一の視覚言語モデルを理解の共通部分として用い、シーン、指示、視覚的な文脈、過去の行動を共有された意味空間に写像すると説明されています。18

このモデルは、10月のイベントより前に公開資料が存在していました。技術報告には2026年5月を示す識別子があり、同月の報道でも公開が伝えられています。1824 そのため、「10月に初めて公開された」とは言えません。一方で、ROSCon Chinaの参加者に向けて新たに紹介・説明された可能性まで否定するものではありません。

3つのモデルをどう見るか

公開資料を並べると、Pelican-VLA 0.5は視覚・言語入力と行動、さらに未来フレームを結びつけ、Pelican-Sim 1.0は動作に応じた未来の観測を予測し、Pelican-Unifyは理解・推論・想像・行動の一体化を目指しています。171844

これらは、公開された各モデルの説明をもとに整理したものです。3つがこの順番で開発された、あるいは講演で一つの公式ロードマップとして示されたと確認できるわけではありません。

講演内容について、まだ確認できない点

ROSCon China 2026の公式サイトでは、上海で10月16日から18日まで開催予定だったことが確認できます。ただし、確認できる大会情報だけでは、基調講演のタイトルや登壇者、10月17日の登壇枠、講演内容までは特定できません。3

また、「背景・構成・クロス・領域外」という4段階の汎化について、講演で用いられた正確な定義も確認できません。ロボット本体を映さない一人称映像や手持ちのUMI撮影から、シミュレーション・生成データ、失敗からの回復データ、世界モデルによる推論とフィードバック型の方策更新へ進むというデータ戦略についても、提供資料は裏付けていません。

視覚と言語のどちらに依存しているかを調べるための表現分析、注意経路への介入、行動テストの詳細も同様です。長期タスクでの失敗回復を改善する研究や、モデル内のロールアウト、方策更新、実機検証、フィードバックデータをつなぐ具体的な学習ループについても、講演の内容として確認できる根拠はありません。

現時点で言えるのは、X-Humanoidの公開資料が、認識・未来の予測・行動を結びつけるモデルと、ロボットの動作に条件づけた世界モデルの研究を示していることです。講演で語られたとされる、より詳細なロードマップについては、録画やスライド、公式の詳しい報告が確認できるまでは断定を避ける必要があります。