フィジカルAIニュース(2026/8/6号)
更新日：2026/8/6
エグゼクティブサマリー
2026/8/5のフィジカルAI動向は、NVIDIAによるAlpamayo 2 Superのモデル重み公開と商用ライセンス適用、Jetson 8GBでの双腕実機制御、VLA／WAM共通推論基盤PhyAIが大きな焦点となりました。研究面では、3D世界変化の蒸留、行動チャンクの適応的再計画、視覚変化を含む教師信号、物理的敵対パッチ防御が相次ぎ、競争軸が成功率だけでなく配備コスト、観測鮮度、学習効率、セキュリティへ拡張していることが示されています。
※作成した記事内容をGammaに入力しスライド自動作成させました。スライドの方が見やすいようでしたらこちらをご覧くださいませ。
1️⃣ NVIDIA Alpamayo 2 Super：自動運転VLAを商用利用可能なライセンスで公開
📎 出典：NVIDIA Blog / Hugging Faceモデルカード / NVIDIA Newsroom
NVIDIAは2026年8月4日付の公式ブログで、自動運転向け推論VLA「Alpamayo 2 Super」をOpenMDW-1.1で提供し、ファインチューニング、派生モデル作成、商用再配布を可能にしました。公称34Bモデルは360度カメラ入力から軌道、因果推論、メタアクション、2Dグラウンディングなどを統合出力し、LingoQAのLingo-Judgeで79.2点を報告しています。今回の新規性はモデル自体の初発表ではなく、5月31日の先行発表後にモデル重みが公開され、商用利用可能な条件が適用された点です。実車の介入率や衝突率、車載遅延は未公表であり、商用利用可能と安全認証済みは区別して評価する必要があります。
2️⃣ Bimanual Manipulation Within an 8 GB Budget：Jetson 8GBで双腕ACTを実機制御
📎 出典：arXiv:2608.03938
Georgia Tech Research Instituteの研究チームは、Jetson Orin Nano Super 8GBだけで三眼入力と双腕ACTを閉ループ実行する構成を発表しました（JST 2026/8/5公開）。GStreamer／NVMMのゼロコピー化で単一CPUコアのピーク使用率を98.0%から77.0%へ下げ、TensorRT化では平均推論遅延をPyTorchの114.02ミリ秒からFP16で17.93ミリ秒、INT8で12.65ミリ秒へ短縮しました。変形物の豆袋pick-and-placeではINT8で19/20成功を報告しています。ただし単一タスク中心で、Transformer 145層はINT8化されず、FP16比のサイズ削減が0.9%に留まる制約も示されています。
3️⃣ PhyAI：VLA・世界行動モデルをエッジからクラウドまで共通実行
📎 出典：arXiv:2608.03682 / GitHub
北京郵電大学などの研究チームは、VLAと世界行動モデルをエッジ、オンボード、クラウドで共通実行するオープンソース基盤「PhyAI」を発表しました（JST 2026/8/4公開）。π0、π0.5、GR00T N1.7、MiniCPM-Robotでは公式実装比1.40〜4.65倍の高速化を報告し、Cosmos3-Nano-Policy-DROIDはH20 GPU 8基で2.46秒から1.18秒へ短縮しました。MITライセンスでJetson、Data／Tensor／CFG並列、複数の量子化方式を掲げています。ただし比較条件は精度が完全には一致しておらず、専門ランタイムが上回る構成もあります。GitHubでは量子化対応のPRがレビュー中と注記されています。
4️⃣ Track4Action：3D世界トラッカーの知識をVLAへ蒸留
📎 出典：arXiv:2608.03727 / プロジェクトページ
浙江大学・上海交通大学などの研究チームは、学習時だけ世界座標系の3Dトラッカーを教師に使うVLA「Track4Action」を発表しました（JST 2026/8/4公開）。デモ映像から幾何、動き、可視性、カメラ変化をVLA内部へ蒸留し、配備時はトラッカーや未来映像を不要とします。ゼロショットLIBERO-Plusで82.3%、RoboTwin 2.0でClean 80.44%、Randomized 81.48%、実機双腕4タスクで平均67.5%を報告しました。配備時に重い3D追跡器を残さず知識を利用できる点が特徴ですが、実機評価は各タスク10試行と小規模で、制御周波数や詳細な失敗分類は十分に公開されていません。
5️⃣ Bernoulli-Continuation Policy：行動チャンクの再計画時点を動的選択
📎 出典：arXiv:2608.03483 / プロジェクトページ
Microsoft Research Asia・北京大学などの研究チームは、行動チャンクの候補時点ごとに「継続か再計画か」を選ぶBernoulli-Continuation Policy（BCP）を発表しました（JST 2026/8/4公開）。基盤VLAを凍結したまま約16.4Mパラメータの小型ヘッドを学習し、RoboTwin 2.0のClean設定の全50タスクで成功率を89.88%から93.94%へ改善しました。AGIBOT G1の実機2タスクでも74%から92%、44%から84%へ上昇し、追加遅延はA100上のVLA問い合わせ当たり2.03ミリ秒でした。ただし安全シールドではなく、観測鮮度と実行効率を改善する再計画手法です。
6️⃣ Unified Visuomotor Targets：行動と将来の視覚変化を統合したVLA教師信号
📎 出典：arXiv:2608.03563 / プロジェクトページ
カリフォルニア大学アーバイン校の研究チームは、ロボット行動と将来の視覚変化を32次元潜在表現へ統合する教師信号「Unified Visuomotor Targets（UVT）」を発表しました（JST 2026/8/4公開、IROS 2026採択）。追加データやVLA本体の構造変更なしで適用でき、LIBERO-Plus Spatialの1万ステップ学習では成功率を34.0%から81.5%へ改善しました。実機双腕では各タスク30デモ・50試行の条件で、鍋持ち上げの成功率を38%から54%、皿受け渡しの成功率（中間成功を0.5件換算）を18%から40%へ高めました。ただし数値は著者評価で、第三者再現は未確認です。
7️⃣ SARF：物理的敵対パッチによるVLAアテンション攻撃を防御
📎 出典：arXiv:2608.03231
研究チームは、印刷可能な敵対的パッチでVLAの行動依存アテンションを乗っ取る攻撃「AGSD」と、防御手法「SARF」を発表しました（JST 2026/8/4公開、IROS 2026採択）。SARFは視覚エンコーダのみを構造認識型に再学習するため、推論時の追加コストを生じさせない設計です。LIBEROでは攻撃下のOpenVLA失敗率を100%から平均28.6%へ低減し、実機PiPERマニピュレータでは平均成功率を23.0%から65.0%へ改善したと報告しています。物理世界のVLAセキュリティを定量化した一方、未見攻撃や長期運用への一般化は今後の検証課題です。
総合考察
2026/8/5のトピックから見えた特長は、フィジカルAIの競争が「大きなモデルを作る段階」から、「限られた計算資源で安全かつ継続的に動かす段階」へ移っていることが読み取れました。NVIDIAのモデル公開と商用ライセンス適用は自動運転モデルの事業利用経路を広げ、Jetson双腕ACTとPhyAIは推論コストや実装分断を具体的な最適化対象に変えました。一方、Track4Action、BCP、UVTは、3D変化、再計画時点、将来の視覚変化という異なる情報を制御へ組み込み、VLAの性能向上がモデル規模だけで決まらないことを示しています。さらにSARFは、現実空間の印刷物でも行動を崩せる可能性を示し、性能評価と同じ重みで攻撃耐性を検証すべきことを突きつけました。多くは著者評価や限定タスクであり、第三者再現、長時間運転、安全停止ログ、実環境の失敗分類が、実用化判断の次の共通条件になります。
今後注目ポイント
Alpamayo 2 Superでは、商用ライセンスを利用した自動車メーカーやサプライヤーの派生モデルと、実車閉ループでの介入率・衝突率・遅延の公開が注目されます。
Jetson双腕ACTとPhyAIでは、モデル単体の推論速度だけでなく、カメラ入力からアクチュエータ出力までの総遅延、消費電力、発熱、長時間安定性の検証が重要です。
Track4ActionとUVTでは、限定された卓上操作から、多品種物体、遮蔽、照明変化、異なるロボット形態へ知識を転移できるかが次の評価軸になります。
BCPでは、適応的再計画を接触検知、衝突回避、異常停止、形式的安全シールドと統合し、成功率向上と安全保証を両立できるかが注目されます。
SARFでは、既知の印刷パッチ以外の攻撃、自然物に偽装したパターン、カメラ以外のセンサーを含む攻撃に対する防御性能の検証が必要です。
