VLAモデルのデータスケーリング則と創発メカニズム

データ収集方式の選定（別記事で整理）に続き、VLA 基盤モデルをどの順序・規模で学習させるかが、現場の投資判断と直結します。本記事は、VLAのデータスケーリング則と創発を実現するための、VLAの学習方法について説明します。

VLA（Vision-Language-Action）を特化型ポリシーからジェネラリストへ進化させるには、単にデモを増やすだけでは足りません。状態空間とアクション空間を段階的に結合し、多様なデータで創発を起こしたうえで、少数の SFT データで社会実装に乗せる——この 4 フェーズの学習手順が、本記事の核心です。

技術解説は note で公開しています。Aezith（イージス）の会社情報・事業内容・お問い合わせは https://www.aezith.com をご覧ください。

第1章：導入と要約

VLA の性能は、ポリシーアーキテクチャとデータ収集方式に加え、学習フェーズの設計に大きく左右されます。本記事は、データスケーリング則と創発メカニズムを支える VLA の学習方法——2 空間アーキテクチャと 4 フェーズ学習——を一気通貫で整理します。

1-1. 記事の位置づけ

前記事では、実機遠隔操作・手持ちグリッパ・エゴセントリックの 3 方式と、ニーズ別の選定を扱いました。本記事はその「下流」——集めたデータをどのフェーズで、どれだけ学習に載せるか——に焦点を当てます。OpenPi 等の学習パイプライン実装や、個別ベンチマークの網羅的比較は別記事に委ねます。

1-2. TL;DR

• 結論1： 創発を起こしたポリシーを作るには、正しい学習手順が必要である。十分な多様性の下では、最適性ギャップとデータ規模の間に強いべき乗則が成立する

• 結論2： VLA は VLM（状態空間）と Action Head（アクション空間）の 2 空間で構成し、P1 プレ学習→P2 ポスト学習で段階的に結合する。P2 で創発が起きると、人間動画とロボットデモの潜在表現が自律的に融合する

• 結論3： 創発後は P3 で数百〜1,000 デモの SFT、P4 で 100〜200 件程度の実環境データを用いてロバスト性を補正する。フェーズ 2 の投資が、フェーズ 3 以降のデータ効率を決める

第2章：背景 — 物理AIにおけるスケーリング則

結論から言うと、物理AIでも「データを増やせばエラーがべき乗則で減る」という LLM 由来の直感が、そのまま当てはまるわけではありません。正しい手順と方法で創発を起こしたポリシーを生成することが必要です。今回はこれについて説明したいと思います。

その前提として、創発を起こす学習設計が満たすべき条件のひとつがスケーリング則です。Physical Intelligence の分析では、十分なタスク多様性が担保された環境下で、最適性ギャップ（エラー率）とデータ規模の対数プロットに対し、ピアソン相関係数が約 $${-0.99}$$ と報告されています。

数式で書くと、最適性ギャップ $${Y}$$ とデータ規模 $${X}$$ の関係は次の形で近似できます。

$$
Y = \beta \cdot X^{\alpha}
$$

ここで $${\alpha}$$ は負の指数、$${\beta}$$ は定数です。対数スケールでは直線に見えるため、データ投資の見積もりに使いやすい一方、多様性が不足すると相関は崩れます。これは、データを機械的に積み上げるだけでなく、「どのタスク・どの被験者・どのシナリオを混ぜるか」という設計が、スケーリング則そのものを成立させる条件になることを示唆します。筆者は、現場で「何時間集めれば十分か」と聞かれたとき、まずタスク・被験者のカバレッジを確認するのが先決だと考えます（Opinion）。

第3章：2 つの空間 — VLM と Action Head

VLA は、高度な意味理解を担う VLM バックボーンと、精密な運動制御を司る Action Head の 2 つで構成されます。これを状態空間（System-2）とアクション空間（System-1）と対応づけて説明するのが、本記事で述べる学習設計の出発点です。

状態空間（System-2 / VLM バックボーン）は、インターネット規模の事前学習により、視覚・言語の豊富な知識を持ちます。世界のルールや概念の理解、状況認識、高次の手順計画を担当します。一方、アクション空間（System-1 / Action Head）は、関節角やエンドエフェクタ軌道といった低次の連続物理操作を生成し、状態空間からの指示を実際の動きに変換します。

2 つの空間を一度に無理に結合すると、VLM が持つ事前学習知識が破滅的忘却（catastrophic forgetting）を起こしやすくなります。本記事で整理する学習手順では、P1 で状態空間を固め、P2 でアクション空間と段階的に結合する順序を推奨します。Diffusion Policy 等の Action Head 設計は別記事を参照してください。

第4章：4 フェーズの全体像

VLA ポリシー構築は、大きく「ポリシー創出過程」と「社会実装過程」の 2 段階に分かれ、それぞれ 2 フェーズずつ、計 4 フェーズで進めます。

ポリシー創出過程では、P1 プレ学習で状態空間を構築し、P2 ポスト学習で状態とアクションを結合します。社会実装過程では、P3 タスク学習で特定タスクに適応し、P4 実世界学習でロバスト性を獲得します。空間の結合（P1→P2）とタスク適応（P3→P4）が、設計上の主軸です。

以下、各フェーズのデータ要件を順に述べます。

第5章：フェーズ 1 — プレ学習による状態空間の構築

P1 の目的は、インターネット規模のデータで世界の汎用知識を獲得し、強い意味的汎化の土台を作ることです。ここでは物理アクションは学習しません。

学習方法としては、画像と言語の対応関係を用いて VLM バックボーンを訓練し、物体認識や概念理解を獲得します。データはテキスト・画像のインターネットスケール（数億〜数十億トークン規模）を想定し、アノテーションは自然言語が中心です。ロボット軌道などの制御データは、この段階には含めません。

π0 ファミリーでも、大規模 VLM 事前学習が下流のロボット制御性能を支えることが報告されています（arXiv:2504.16054）。P1 は「ロボットらしさ」を学ぶフェーズではなく、「世界を言語と画像で理解する」フェーズである点を、データ収集の議論と切り分けておくことが重要です。

第6章：フェーズ 2 — ポスト学習と創発

P2 は創発を起こすうえでの中核フェーズです。人間のエゴセントリック動画とロボットデモを整列させ、意味的な状態空間と物理的なアクション空間を接続します。

6-1. 空間の統合

学習の問いは、「人間がこう動くとき、ロボットはどう動くか」というアライメント（中間の整列）に集約されます。データとしては、300 種類以上の多様な日常操作タスクと人間の主観動画を用い、数千〜数万時間（数万〜数十万エピソード）規模が必要とされます。アノテーションには、サブゴール画像・言語指示・動作軌跡が付与され、モデルに物理法則を体得させる設計です。

前記事の方式③（エゴセントリック）が P2 の人間側データ、方式①（実機テレオペ）がロボット側データの第一候補になる、という対応は実務的に有用です（Opinion）。

6-2. 創発のメカニズム

創発を起こす決定的な鍵は、単純なデータ量の増加ではなく、フェーズ 2 におけるタスクと人間の圧倒的な多様性です。「スキルの多様性」と「シナリオの多様性」の組み合わせが、表現空間を劇的に変えるとされています。

Physical Intelligence の共学習レシピ（arXiv:2512.22414）では、明示的なアライメント損失がなくても、極めて多様な身体データを与えると、人間動画と異種ロボットの潜在表現が自律的に融合する現象が観測されています。これが「人間→ロボット転移」の創発です。

6-3. 創発を示すデータ規模の境界線

3B パラメータ規模の VLA モデルに 20,000 時間規模のデータを与えてもオーバーフィットせず、検証データに対する行動予測誤差が対数線形に減少し続けることが実証されています。この大規模スケーリングが、物理世界における汎化能力の創発を支えていることが、Physical Intelligence の分析で示されています。

筆者の理解では、20,000 時間は「創発が見える下限の一例」であり、タスク多様性が不足していれば同規模でも創発は起きにくい、という点に注意が必要です（Opinion）。

6-4. タスクと人間の多様性が生む物理的汎化

2 つの補強要因が強調されます。

人間の多様性による安定化： 少数（例：4 名）のデモのみでは、未知の人物に対してアライメントが崩れます。12 名以上の多様な被験者にスケールすると、表現空間の分散が解消され、新しい人物へのゼロショット適応が可能になる、と報告されています。

異種タスク間のシナジー： T シャツを畳むタスクのロバスト性を高めるために、ピザを焼くなど全く無関係なタスクのデータを混ぜると、布の想定外のしわなどのコーナーケースへの耐性が上がる、という例が示されています。無関係タスクの経験が、未知状況への適応力を引き上げる——これはデータ収集の「タスク設計」にも直結する示唆です。

6-5. 創発前後のポリシー変質

創発を経ると、モデルは手順の記憶から、未知環境に対応できるジェネラリストへ進化します。以下に創発前後の比較を示します。

第7章：フェーズ 3・4 — 社会実装

創発で得た高い適応力を土台に、特定の現場タスクと実運用の信頼性へ落とし込むのが P3・P4 です。

7-1. フェーズ 3：SFT によるタスク習得

P3 の目的は、対象ロボット・対象環境において、必要な動作手順を正確に定着させることです。創発段階を経ているため、高品質なロボットデモが数百〜1,000 件程度でも適応に足りる、と位置づけられます。

学習方法は、LoRA 等の部分チューニングではなく、フルパラメータ SFT または Action Head の fine-tune が推奨されます。アノテーションは、画像・指示に対応する関節角や座標など、アクション空間の高精細ラベルが必須です。

ケーススタディ前編（VLA ポリシー選定）で扱った OpenPi による少数デモ fine-tune は、まさに P3 に相当する実装例と読めます。

7-2. フェーズ 4：実環境におけるロバスト性

P4 では、実運用中の物体滑落・落下といった想定外の失敗からの自己回復や、環境変化への耐性を最適化します。データは実環境で取得した成功・失敗を含む実行データを使い、収集量は 100〜200 件程度を想定します。

アノテーションには成功・失敗メタデータ、ミスの有無、品質スコアが付与され、推論時の Classifier-Free Guidance 等に活用されます。P4 は大量データを継続投入する段階というより、限られた実環境データでロバスト性を仕上げるフェーズとして捉えるのが適切です。

第8章：統合と実務への示唆

4 フェーズを目的・データ量・アノテーションの観点で統合すると、次の表になります。

本記事の結論は明確です。VLM と Action Head のアーキテクチャ上で、フェーズ 2 の「多様なデータによる創発」を成功させることが、少数の SFT データ（フェーズ 3）で実社会の複雑タスクを習得できるジェネラリスト VLA 構築の最大の核心です。

実務への当てはめ（Opinion）：

• データ収集の投資は、P3 用の少数デモだけに偏らせず、P2 のタスク・被験者多様性に厚く配分する

• 方式選定（①実機・②手持ち・③エゴ）は、主に P2〜P3 のどのデータ要件を満たすかで決める（前記事参照）

• P2 後段のデータ増幅（DexMG、DreamGen 等）は、①実機テレオペと組み合わせて P2 の規模を押し上げる用途が主眼

第9章：まとめと参考資料

本記事では、VLA のデータスケーリング則と創発を実現する学習方法を、4 フェーズで整理しました。スケーリング則が成立する条件、2 空間の段階的結合、フェーズ 2 の創発、少数 SFT による社会実装——この順序を理解することが、データ投資と学習設計の判断軸になります。

まとめ

• 物理AIでも、正しい学習手順の下では最適性ギャップとデータ規模の間に強いべき乗則が成立する

• VLA は状態空間（VLM）とアクション空間（Action Head）を P1→P2 で段階的に結合し、創発で人間→ロボット転移を起こす

• P3・P4 は創発後の少数データで社会実装に乗せる。とくに P4 は 100〜200 件程度の実環境データでロバスト性を補正する

本記事は Aezith が公開するフィジカルAI技術解説の一部です。フィジカル AI コンサルティング・PM 支援については https://www.aezith.com からご確認ください。

参考資料

• Physical Intelligence, Emergence of Human to Robot Transfer in Vision-Language-Action Models（arXiv:2512.22414）

• Physical Intelligence, π0.5: a Vision-Language-Action Model with Open-World Generalization（arXiv:2504.16054）

• 関連 note 記事：VLAのデータはどう集めるか（データ収集方式ガイド）

• 関連 note 記事：ケーススタディ VLA ポリシー選定（OpenPi）

• 関連 note 記事：Diffusion Policy（Action Head）