「ロボティクスのデータは言語モデルより数桁少ない」——Bessemer主催パネルで研究者3人が語った業界の現実
2024〜2025年にかけて、ヒューマノイドロボットのデモ映像が相次いで話題を集めた。しかし、その派手な表舞台の裏では、研究者たちが地道にデータ・アーキテクチャ・強化学習の課題と格闘している。
BessemerベンチャーパートナーズのRobotics Dayパネルでは、Dina（フルスタック）・XOF（データ専門）・Perceptron（VLMアーキテクチャ）の3社の創業者が、ロボティクスAI研究の現在地を率直に語った。本記事では、投資家・ビジネスマンが理解しておくべき論点を整理する。
1. ロボティクスにおけるデータの本質的な難しさ
1-1. 言語モデルとの決定的な差
言語モデルが急速に進化した最大の理由の一つは、インターネット上に膨大かつ容易にアクセスできるテキストデータが存在することだ。ロボティクスはその点で根本的に異なる。
XOFのフィリップ氏は、「私たちはまだ言語モデルと比べて数桁も少ないデータしか持っていない」と率直に述べた。ロボットが人間の日常動作のように複雑な操作スキルを習得するためには、単純な量だけでなく「質」「身体との一致度」「収集しやすさ」のトレードオフを常に意識する必要がある。
1-2. データピラミッドという考え方
XOFは、データを「ピラミッド」構造で整理している。頂点にあるのは高品質で身体（エンボディメント）に直結したデータだが、収集は困難で量も少ない。底辺に行くほど量は増え収集が容易になる一方、実際のロボット動作との乖離が大きくなる。
この構造を理解することが、どのデータをどのフェーズで使うかという判断の土台になるとフィリップ氏は説明した。
1-3. データの「価値」は時間とともに変わる
Dinaのジェイソン氏は、興味深い観点を提示した。2020年に公開された「Eagle 4D」という4,000時間分のエゴセントリックデータは、当時のロボットでは活用が難しかった。しかし、今日、ヒューマノイドロボットが人体に近い形状を持つようになったことで、そのデータの有用性は大きく高まっている。
「同じデータでも、時代によってどれだけ役に立つかは変わる」——これはロボティクスデータへの投資判断において見落とされがちな視点だ。
2. ビルドvsバイ——何を内製し、何を外部に委ねるか
2-1. 各社の哲学の違い
3社のアプローチは対照的だ。
Dinaは、「標準化されていてオフザシェルフで良いものは外部調達、そうでないものは内製」という方針だ。カメラのように仕様が明確なものは外部調達でよいが、ロボット本体・フォームファクター・モデルは内製する。その理由として「80%から99%への改善と、99%から100%への改善は、0%から80%への改善と同じくらいの差がある」という品質への強いこだわりを挙げた。
XOFは、テレオペレーションデータを中核に置きつつ、ハードウェアの最適化（エンドエフェクター・モーター・ローレベル制御）にも力を入れる。現在、XOFは次の提供者の10倍以上の規模でロボットテレオペデータを保有しているとされる。
Perceptronは、「最後のマイル（高品質データ）以外は基本的に内製」という最も垂直統合的な姿勢を取る。その背景には、「蒸留（Distillation）は短期的には有効だが、蒸留元のモデルを超えることができない」という信念がある。「他のモデルから蒸留するアプローチは、常に後追いになる」というArmen氏の言葉は、基盤モデル開発の哲学を端的に示している。
3. 強化学習（RL）はロボティクスで機能するか
3-1. 現状の整理——広く使われているが、操作には限界がある
RLは、ロボティクスで「使われていない」わけではない。四足歩行ロボットのダンスや格闘技動作のような「ローカルモーション」の分野では広く活用されている。しかし、視覚に基づくマニピュレーション（物体を掴む・移動させるなど）においてはまだ限定的だ。
フィリップ氏は、その理由を「シミュレーションで物理的な接触や摩擦を正確に再現することが難しい」点に求めた。シミュレーションと現実の乖離（Sim-to-Realギャップ）が、RLの有効性を制限している。
3-2. Perceptronの独自アプローチ
Perceptronのアーメン氏は、「従来のRLは、物理AIモデルには直接うまく機能しない」とした上で、独自の定式化を開発中であることを示唆した。その方向性は「検証可能な報酬を持つタスクに対してRLを適用し、ロボットデータの合成アノテーションに活用する」というものだ。
また「思考トレース（Thinking Traces）」を低レベルから高レベルの粒度で生成し、ポリシーの前処理として使うアプローチにも言及した。これはLLMにおけるChain-of-Thoughtに相当する発想をロボティクスに応用するものだ。
3-3. 報酬設計は「アートに近い」
報酬シグナルの設計については、アーメン氏が「科学よりもアートに近い」と率直に認めた。ただし、近年注目されているのが、視覚言語モデル（VLM）を報酬モデルとして使う手法だ。VLMに「このビデオフレームはタスクの進捗としてどの程度か？」と問いかけることで、ある程度の報酬シグナルが得られるとフィリップ氏は説明した。ただし、細粒度のタスクには精度が不十分な点も課題として残る。
4. 研究者が語る「過大評価」と「過小評価」
4-1. 過大評価されているもの
アーメン氏は、「ピクセルレベルの再構成がワールドモデリングの最善手だという前提」に疑問を呈した。より意味論的な（セマンティックな）定式化によって、ワールドモデルのトレーニングがより容易になる可能性があるという。
フィリップ氏は、「ロボットシステムの下位レベルの理解が過小評価されている」と指摘した。華やかなデモの陰で、実際には「シム・トゥ・リアルギャップの研究」や「ロボットシステムの物理的な同定・特性把握」に多大な労力が注がれている。それが数十万台規模のロボット展開を可能にした要因の一つだが、学術的な議論では見過ごされがちだという。
4-2. 過小評価されているもの——「データ帰属」という盲点
ジェイソン氏が挙げた「データ帰属（Data Attribution）」は特に興味深い概念だ。数万時間のデータで学習したモデルが現実世界で何かをするとき、そのふるまいがトレーニングデータのどの部分に起因するのかを追跡することは今もほぼ不可能だという。
「ロボティクスにおけるデータ理解はいまだに暗黒魔術のようなもので、行動からトレーニングデータへの逆引きは非常に難しい」——この言葉は、デプロイの信頼性向上を目指す産業応用にとって重要な課題提起だ。
5. 注目の研究・企業
パネリストが挙げた注目プレイヤーは以下の通りだ。
Physical Intelligence（π）は、発表を積極的に行い、再現可能性の高い研究を公開している点が評価された。中国のオープンソースラボ群は、アーキテクチャの革新とトレーニングレシピの面で「Transformers 2.0」に相当する先端的な成果を出しているとアーメン氏は指摘した。Unitreeは、デモの質だけでなく、数万〜数十万台規模での実機展開能力において突出しているとの評価があった。
アカデミアについてはジェイソン氏が「資金調達に追われるスタートアップでは手が届かない探索的な研究が、まだ多くアカデミアから出ている」と述べ、特にハードウェア面での貢献に言及した。
まとめ
https://note.com/startup_now0708/n/nea0f59e6b146?magazine_key=m566b4646ae74&from=membership-magazineこのパネルから浮かび上がるのは、ロボティクスAIはLLMの延長線上にあるようで、実は根本的に異なる問題構造を持っているという事実だ。
データの収集コスト・身体との結合・物理世界のシミュレーション困難性・報酬設計の複雑さ——これらはいずれも、「スケールすれば解決する」という単純な論理が通じない領域だ。
一方で、テレオペレーションデータの大規模収集、VLMを活用した報酬モデリング、エゴセントリックデータを活用した事前学習など、具体的なブレークスルーの道筋も見えてきている。
ロボティクスへの投資を検討する際には、「どのデータ戦略を持っているか」「垂直統合の範囲はどこか」「最後の1%の信頼性をどう達成するか」という問いが、企業評価の核心になるだろう。
