ロボットに「脳」を与える——Physical IntelligenceのSergey Levineが語る汎用ロボットAIの現在地
あらゆる物理ロボットが、あらゆるタスクを、あらゆる環境でこなせるようになる——この目標を本気で追いかけているスタートアップが、Physical Intelligence（通称π）だ。共同創業者でありリードリサーチャーのSergey Levineは、AI×ロボティクスの分野で世界屈指の研究者の一人だ。ポッドキャストでの対談で彼が語った内容は、ロボット工学の現在地・技術的な壁・そして「汎用ロボット基盤モデル」が実現した世界の可能性について、非常に明確な構造を提示している。投資家・経営者の視点から重要な論点を整理する。
1. なぜ「特定タスク」ではなく「汎用モデル」を作るのか
1-1. LLMが証明した逆説——専用より汎用の方が効率的
Physical Intelligenceのコアテーゼは、一見すると直感に反する。「お皿を洗うロボット」を作るより「何でもできるロボット」を作る方が、長期的には効率的かもしれないという考え方だ。
Levineはこの発想の根拠をLLMの歴史に求める。かつてAI研究者たちは英→仏翻訳専用モデル、感情分析専用モデルなど、ドメイン特化型の解法を磨き続けた。しかし大規模言語モデルが登場すると、ウェブから集めた膨大なデータから「世界の理解そのもの」を学習し、特化型モデルをあっさり凌駕した。
「言語モデルの場合、弱ラベルのデータをマイニングするだけで、世界のより深い理解が生まれた。ロボットも同じことが起きる可能性がある」とLevineは語る。多種多様なタスク・ロボット・環境からデータを集めて訓練することで、「物理的な相互作用そのもの」を理解したモデルが生まれ、新しいタスクへの適応が格段に速くなるという。
1-2. 個別最適化の限界——データ収集コストの罠
従来のアプローチでは「お皿洗いロボット」のために膨大なデータを集め、次に「洗濯物折りたたみロボット」のために同じ作業を繰り返すという構造になる。毎回ゼロからデータを集め直す非効率さが、専用型ロボットAIの普及を阻んできた。
汎用基盤モデルが実現すれば、新しいタスクに必要なデータ量は劇的に減る。既存の「物理的理解」の上に、少量の追加データでファインチューニングするだけでよい——これはちょうど、GPT-4上でプロンプトを工夫するだけで様々なアプリが動くのと同じ構造だ。
2. ロボットAIの歴史的経緯と「今、何が変わったか」
2-1. 1980年代から続く課題
端から見ると「なぜロボットは、40年経ってもお皿を洗えないのか」と思うかもしれない。エンドツーエンドの自律走行の概念自体は1986年に存在した（ALVINN）。ニューラルネットワークが1台のカメラからの映像だけで高速道路を走る車を制御していた。では何が難しいのか。
Levineが挙げる条件は三つある。第一に、データが安価に収集でき費用対効果が高いこと。第二に、長尾のシナリオに常識で対応できること（前例のない状況でも「まあ妥当な」行動が取れること）。第三に、実際のタスクで速くて確実で堅牢であること。この三つを同時に満たす系を作ることが「本当に難しかった」と彼は述べる。
2-2. ゲームチェンジャーとしてのマルチモーダルLLM
過去数年で何が変わったか。答えは「常識の供給源」が見つかったことだ。長尾の状況に対応するには、過去に経験したことのない場面で「これがガス漏れのサインだから近づかない」という判断が要る。これには世界知識が必要だが、ロボットは訓練データの外の世界を知らない。
マルチモーダルLLMはウェブ上の膨大なテキストと画像から知識を蓄えている。「LLMは物理的な状況に知識を接地させることはあまり得意ではないが、知っている。そのトンネルの出口が見えてきた」とLevineは表現する。LLMからの知識をロボット制御に「正しく接続する」技術的課題は残るが、原理的な道筋が見えた意義は大きい。
3. Vision-Language-Action Model（VLA）——ロボット版LLM
3-1. VLAの仕組み
Physical Intelligenceが開発しているのは、「Vision-Language-Action Model（VLA）」と呼ばれるアーキテクチャだ。テキストデータで事前学習したLLMに、大量のウェブ画像データで視覚理解を学ばせ、さらに多様なロボットのデモデータで動作制御を学習させる。
「キッチンを片付けて」と言われたロボットは、直接動き出す前にまず「チェーン・オブ・ソート（思考の連鎖）」を使って状況を考える。「まずお皿を取るべきだ」と自分自身に言い聞かせ、その後で行動に移す。この中間的な言語推論がLLMの事前学習を活かすことを可能にし、エッジケースへの対応力を生む。
3-2. 強化学習との組み合わせ
VLAだけでは、人間のデモンストレーションの品質を超えることができない。ここで強化学習（Reinforcement Learning）が重要な役割を果たす。エスプレッソを作るロボットは、数百回・数千回の実践を通じて人間を超える速度・精度・スループットを達成した。
これはAlphaGoが「人間の棋譜」から学ぶだけでなく、自己対局で人類を超えたのと同じ原理だ。「生成AIとDRLという、まったく異なる理由で印象的な二つのAIの成果を組み合わせることが、ロボットAIの核心的な挑戦だ」とLevineは述べる。
4. Moravec's Paradox——なぜロボットは「簡単なこと」が苦手なのか
4-1. 人間の直感を裏切る「難易度の逆転」
ロボット研究者が常に格闘する「Moravec's Paradox（モラベックのパラドックス）」という概念がある。人間が簡単にできることほど、ロボットには難しいという逆説だ。
微積分の計算はほとんどの人間には難しいが、コンピューターには容易だ。一方、ジャングルでトラを見つけることは人間には反射的にできるが、これはトラに気づかなかった祖先が食べられたという進化の産物だ。生存のために必要だったことは、無意識に、高速に、確実にできるよう最適化されている。食器を拾う、犬の糞を袋で拾う、ドアを開ける——これらは「難しいはずがない」と思われるが、実はロボットにとって極めて困難な課題だ。
4-2. 機械学習が変えるパラドックスの構図
しかし、機械学習は少しずつこのパラドックスの方程式を変えている。「手作りのプログラムで任意のカップをどこでも持ち上げさせることは難しい。しかし、データがあれば機械学習システムにそれをさせることは、それほど難しくない」とLevineは指摘する。
データが集めやすいドメイン（製造ラインの繰り返し作業など）では、時間とともに「難しかったこと」が「易しいこと」に変わっていく。逆に、データが集めにくく、多レベルの抽象化での推論が必要で、他のドメインで学んだ物理スキルと知識を結びつけなければならない領域は、依然として難しい。
5. 「ロボット・オリンピック」——汎用モデルのテスト
5-1. 人間なら簡単・ロボットには難題のリスト
元Everyday Robotsの研究者Benji Kuiperが提唱した「ロボット・オリンピック」というコンセプトがある。陸上競技のような派手なショーではなく、「人間が日常的に行う、ロボットが苦手なタスク」のリストだ。ドアを開ける、油ののったフライパンを洗う、犬の糞をビニール袋で拾う——人間なら10秒、しかし、どの現行ロボットシステムにも困難なタスク群だ。
Physical Intelligenceはこのリストを「新しいタスクのオンボーディングプロセスのテスト」として使った。目的は「スゴいデモを作ること」ではなく、「社内のデータ取り込みと学習パイプラインが正常に機能するか」の確認だった。
5-2. ほぼ全課題を制覇した結果が示すもの
結果は驚くべきものだった。ドレスシャツを裏返す（グリッパーがスリーブに入らなかった）とオレンジの皮むき（指の力が足りず道具を使った）を除いて、ほぼ全課題を制覇した。「特別なことは何もしていない。これは汎用性の力を示している。汎用システムがあれば、特別な工夫なしにこうした多様なタスクをオンボーディングできる」とLevineは語る。
6. 「コーチング」という新しい訓練パラダイム
6-1. 動作データではなく「言語コーチング」で改善できる
6ヶ月前に発見した重要な知見がある。ロボットが新しいキッチンで失敗したとき、従来の解決策は「テレオペレーションデータを追加する（人間が直接ロボットを操作して収集したデータ）」だった。しかし、試しに「セマンティックコマンドで何が起きたかをラベリングする」だけ——つまり低レベルの動作データではなく、高レベルの意味ラベルを追加するだけ——でも汎化能力が改善した。
「ボトルネックが、ロボットの物理的な実行能力という最低レベルから、場面を解釈して次の正しいステップを選ぶという中間レベルへと移行していた。この中間レベルは言語で監督できる」。これが何を意味するか——ロボットに「話しかけることで」性能改善できる時代が来つつある。
6-2. 投資家・経営者への示唆
このコーチングパラダイムは、ロボットAIのスケーリングコストに大きな影響を与える可能性がある。テレオペレーションは高コストで専門的な設備が必要だが、言語ラベリングは相対的に安価で柔軟だ。訓練データの収集コストが下がれば、ロボットAIのROEが改善し、産業展開が加速する可能性がある。
7. ハードウェアの民主化と「ロボットの個人コンピュータ」
7-1. $400,000から$3,000未満へ
Physical Intelligenceが注目するもう一つの追い風は、ハードウェアコストの急落だ。Levineが2014年頃に研究で使っていたPR2というロボットアームは約40万ドルだった。その後UCバークレーで使ったアームは約3万ドル。現在のアームは「その10分の1以下」——つまり3,000ドル以下だ。
これはロボット本体の設計改善だけでなく、精度の低いハードウェアでも機械学習が補完できるようになったことによる相乗効果だ。「このコスト削減は、ロボット版のパーソナルコンピュータ革命の条件を整えつつある」とLevineは述べる。
7-2. 「ロボットのPC革命」という可能性
Levineが繰り返す比喩がある。「個人用コンピュータの普及がなければ、今日の無数のアプリケーションは生まれなかった」という話だ。ロボット基盤モデルが「プロンプトできるプラットフォーム」として機能し始めれば、五本腕のロボット・天井から吊り下がるアーム・超小型の精密手術ロボットなど、多様な形態の実験が世界中で始まるかもしれない。重要なのはフォームファクター（形態）ではなく、「上に載せられるソフトウェア基盤の存在」だ。
8. 2050年にキッチンロボットがなかった場合の説明——技術的・社会的障壁
8-1. 「家庭」という最難関環境
Levineは、技術的に最も難しい領域として「家庭環境」を挙げる。製造ラインや飲食店厨房のような「定義された半カオス環境」とは異なり、家庭では何でも起きうる。幼い子どもがいる、予期せぬ障害物がある、他の人間との物理的な協調が必要になる——こうした状況では「少なくとも毎回なんとか妥当な行動を取れること」が要求される。
8-2. 自律走行と同じ「信頼の構築」問題
もう一つの障壁は、社会的な受容だ。自律走行車の普及においても「技術の完成度」と「社会の受け入れ」が同時進行で必要だった初期のTesla完全自動運転の論争に見られるように、「完璧ではないが学習中のシステム」を家庭に置くことへの許容度は、ドメインごとに大きく異なる。食器が時々割れることは我慢できても、乳幼児の周辺での不完全な動作は受け入れられない。
「どの領域でシステムをデプロイして経験を積み、データを集め始めるのかを慎重に考えなければならない」というLevineの言葉は、ロボットAI企業の市場参入戦略を示唆している。
まとめ——「ロボットのOSを作る会社」という投資的視点
Physical IntelligenceのSergey Levineが語る世界観を一言で言えば「ロボットのOSを作る」ことだ。特定のロボットのための特定のソフトウェアではなく、あらゆるロボットが動くプラットフォームを構築することで、その上での「カンブリア爆発」——多様な用途への急速な適応——を引き起こす。
投資的な観点から重要な論点は三つある。第一に、汎用基盤モデルという「プラットフォーム」が確立されれば、ネットワーク効果が働く可能性がある。第二に、ハードウェアコストの急落と機械学習による補完が組み合わさることで、参入障壁が下がりつつある。第三に、コーチングパラダイムの発見が示すように、訓練データの収集コスト構造が変わりつつある。
まだ「ロボットの脳」の問題は完全には解決されていないが、最も深い謎のいくつかに対して、LLMの知識とロボット学習の組み合わせという形で、具体的な手がかりが見えてきた段階だ。
