2026年 フィジカルAIの現在地 - ロボットAIはどこまで進んだか

2026年のフィジカルAIの動向を、ロボットAIとロボット学習を中心にまとめました。

1. はじめに

2026年、生成AIの次のテーマとして「フィジカルAI」という言葉を目にする機会が増えました。フィジカルAIは、AIが物理世界を認識し、判断し、機械を通じて行動する技術の総称です。本記事では、その中でもVLAやロボット基盤モデルを中心とするロボットAIを取り上げます。

カメラ画像と言語指示からロボットの行動を生成するVLA (Vision-Language-Action) が次々と登場し、単純なPick & Placeだけでなく、初めて見る物体や環境、複数の手順を含む作業へ対応する例も増えています。

こうした進化を見ると、フィジカルAIの中でも、特にロボットAIには、生成AIにおけるChatGPTのような転換点が近づいているように見えます。

2. ロボットAIは個別モデルから基盤モデルへ

2-1. 専用モデルからVLAへ

従来のロボット学習では、特定のロボットと特定の作業に合わせてモデルを学習する方式が中心でした。

たとえば、赤いブロックをつかんで箱へ入れるモデルは、そのロボット、カメラ位置、物体配置に強く依存します。環境やロボットが変わると、データを集め直して再学習する必要がありました。

現在は、画像、言語、ロボットの状態、行動などを大量に学習し、複数のロボットやタスクへ適用するVLAが増えています。
LLMが大量の文章から共通の言語能力を獲得したように、VLAは、異なるロボットや作業のデータを利用し、物体認識や操作方法を複数のタスクへ汎化することを目指しています。

Physical Intelligenceのπ0は複数のロボットと多様なタスクを扱う汎用ポリシーとして開発され、π0.5では未知環境への汎化が強化されました。

2-2. 考えてから動くロボットへ

2026年の変化は、行動を生成するVLAだけでなく、タスクを計画し、進行状況や成功を判断する高レベルの推論モデルが組み合わされ始めたことです。
Gemini Robotics-ER 1.6は、複雑なタスクを小さな手順へ分解し、中間結果をもとに、次へ進むか再試行するかを判断する高レベルの頭脳として設計されています。

これは、生成AIが文章補完から、Reasoning、ツール利用、エージェントへ進んだ流れと似ています。

ロボットAIでも、

というループを、一つのシステムで扱う方向へ進んでいます。

3. LeRobotにロボット基盤モデルが集まり始めた

LeRobotは、実世界のロボット向けモデル、データセット、学習、評価、ハードウェア制御をPyTorchベースで扱うオープンソースプロジェクトです。

当初は、ACTやDiffusion Policyなどの模倣学習モデルを、共通のデータセット形式と学習コマンドで扱うライブラリという印象が強いプロジェクトでした。

しかし、2026年7月に公開されたLeRobot v0.6.0では、VLA、World Model、報酬モデル、シミュレーション評価、人間による介入学習、クラウド学習まで対応範囲が広がりました。

3-1. 模倣学習からVLAまで対応

LeRobotでは、ACTやDiffusion Policyに加えて、π0、π0-FAST、π0.5、SmolVLAなどのVLAを扱えます。
v0.6.0では、GR00T N1.7、MolmoAct2、EO-1、EVO1などのVLAに加え、自然言語でタスクを指定できるMultitask DiTも追加されました。

これにより、小規模な模倣学習モデルと大規模VLAを、同じプロジェクトの中で比較しやすくなっています。
対象物や環境が固定された単純な作業であれば、ACTのような比較的小さなモデルで十分な場合があります。一方、複数の物体や自然言語指示を扱い、環境変化への対応が必要な場合はVLAが候補になります。

用途、GPU、データ量、応答速度に応じてモデルを選べるようになったことは、実際の開発では重要です。

3-2. World ModelもLeRobotに入ってきた

LeRobot v0.6.0では、VLA-JEPA、LingBot-VA、FastWAMといったWorld ModelやWorld Action Modelも追加されました。

従来のVLAは、現在の画像や言語指示から次の行動を生成するモデルとして説明されることが多くありました。

World Modelでは、そこへ、「この行動を取ったら、次に何が起きるのか」という予測を加えます。

VLA-JEPAは、学習中に将来の状態を潜在空間で予測しながら行動を学習します。LingBot-VAは将来の映像と行動をまとめて予測し、FastWAMは動画生成と行動生成を組み合わせて学習します。

LLMが文章の続きを予測することで言語能力を獲得したように、ロボットAIでは映像や状態の続きを予測することが、物理世界の理解につながると期待されています。

World Modelを使えば必ず性能が上がると確立された段階ではありません。それでも、複数の方式を同じLeRobot上で試せるようになったことは大きな変化です。

4. 学習して終わりではなく失敗から改善する

4-1. 成功したかどうかもAIが判定する

ロボット学習では、タスクに成功したかどうかを判定する必要があります。

従来は、人間が成功と失敗を記録したり、物体の位置やセンサー値を使った専用コードを書いたりしていました。

LeRobot v0.6.0では、報酬モデルを共通に扱うAPIが追加され、RobometerやTOPRewardなどを利用できるようになりました。
これらのモデルは、映像と言語指示をもとに、

を推定します。
得られたスコアは、データセットの品質確認や、報酬を利用した模倣学習などに活用できます。

ロボットを動かすAIだけでなく、その結果を評価するAIも学習ループへ組み込まれ始めています。

4-2. 人間の介入を再学習データにする

LeRobot v0.6.0では、学習済みモデルを実機へ展開して動作を記録するlerobot-rolloutコマンドが追加されました。

さらにDAgger方式では、モデルの動作に問題が起きたときに、人間がキーやフットペダルを押し、リーダーアームなどを使って操作を引き継げます。修正した区間には介入情報が付き、追加学習用のデータとして保存されます。

これにより、次の反復を実行できます。

最初から大量の完璧なデータを用意するのではなく、実際に動かして弱点を見つけ、その部分を重点的に改善できます。

ただし、ロボットの失敗は物体の破損や人への接触につながる可能性があります。非常停止、速度制限、可動範囲の制限、人間による監視は引き続き必要です。

4-3. データセットも多様になった

LeRobotのデータセットには、カメラ映像、関節状態、行動、タイムスタンプ、タスク情報などを保存します。

2026年には、RGB映像に加えて深度画像を扱う機能や、時刻付きの言語情報を保存する機能も強化されました。
収録済み映像へ、サブタスク、計画、修正指示、質問応答などを付与するアノテーション機能も追加されています。

たとえば「赤いブロックを箱に入れる」という作業を、

という手順に分解できます。

エピソード全体に一つのタスク名を付けるだけでなく、途中のサブタスク、計画、記憶、修正指示、発話、カメラごとの質問応答などを、時刻付きの情報として残せるようになっています。

5. シミュレーション評価とクラウド学習が共通化された

5-1. 評価対象がPick & Placeを超えた

ロボットAIでは、モデルごとに異なるシミュレータや評価コードが使われることが多く、モデルごとに評価環境や実行手順が異なり、同一の操作方法で評価しにくい問題があります。

LeRobotでは、lerobot-evalという共通コマンドから複数のシミュレーションベンチマークを実行できるようになりました。

LIBEROやMeta-Worldに加えて、双腕操作、長時間タスク、記憶、物理推論などを扱う評価環境も統合されています。

評価される能力も、単純なPick & Placeだけではありません。

といった能力が評価対象になっています。

ロボットAIの評価軸が、「一つの作業に成功したか」から、「環境変化、記憶、計画、推論を含む作業へ対応できるか」に移り始めています。

5-2. ローカルPCからクラウドまでつながった

ACTのような比較的小さなモデルであれば、手元のGPUで学習できる場合があります。
一方、数十億パラメータ規模のVLAやWorld Modelでは、より大きなGPUメモリや複数GPUが必要です。

LeRobot v0.6.0では、FSDPによる分散学習と、Hugging Face Jobsを使ったクラウド学習が追加されました。

モデルの規模に応じて、手元のGPU、HF JobsのクラウドGPU、FSDPによる複数GPU学習を選択できるようになっています。

6. ロボットAIのChatGPTモーメントは来たのか

6-1. まだChatGPTと同じ段階ではない

結論として、2026年7月時点では、ロボットAIのChatGPTモーメントはまだ来ていないと考えています。

ChatGPTが大きな転換点になったのは、モデル性能だけが理由ではありません。

という条件がそろっていました。

現在のロボットAIは、まだ同じ段階にはありません。

ロボットごとに関節構成、可動範囲、モーター、カメラ位置、制御周期、通信方式が異なります。同じモデルと指示を使っても、ロボットや環境が変われば同じように動くとは限りません。

また、実際に動かすには、キャリブレーション、データ収集、学習、推論環境、安全確認、非常停止なども必要です。誰でもすぐに同じ体験を得られる状態には、まだ距離があります。

6-2. 開発基盤には片鱗が見え始めた

一方で、2026年の流れには、ChatGPTモーメントへつながる変化も見えます。

現在のLeRobotでは、

が、一つの共通基盤へ集まり始めています。

LeRobot v0.6.0では、この流れを「Imagine, Evaluate, Improve」と表現しています。
World Modelで将来を予測し、報酬モデルやシミュレータで評価し、実機で得た介入データから改善するという学習ループです。

これは、ロボット版ChatGPTそのものではありません。しかし、その登場に必要なモデル、データセット、評価環境、ハードウェア、学習基盤をつなぐ共通レイヤーが形成され始めた状態です。

生成AIでも、Transformer、PyTorch、Hugging Face、GPUクラウド、オープンモデルなどの基盤が整った後に、多くの人が利用できるChatGPTが登場しました。
ロボット分野でも現在、それに相当する土台が少しずつそろい始めています。

7. まとめ

2026年7月時点で、ロボット版ChatGPTはまだ登場していません。

一方で、VLA、World Model、報酬モデル、シミュレーション評価、実機展開、介入データを使った再学習などがLeRobot v0.6.0に統合され、オープンなロボット学習基盤は大きく前進しました。

扱いやすいハードウェア、安全性、環境を越えた再現性には、まだ課題が残っています。
それでも、ロボットAIは一部の研究機関だけが扱う技術から、開発者がモデルをダウンロードし、手元のロボットやシミュレータで試し、評価し、改善できる技術へ変わりつつあります。

2026年はロボットAIのChatGPTモーメントそのものではなく、そのモーメントを生み出すための基盤が見え始めた年と言えそうです。