ヒューマノイドブームの裏側：汎用ロボットが私たちの日常生活からまだ遠い理由

10億ドル規模の壮大な公約

ステージ上で華麗にダンスを踊り、洗濯物を仕分け、飲み物を給仕するスマートなヒューマノイドロボットが、世界中のテクノロジー界の注目を集めている。シリコンバレーの有力者たちも、その近い将来について強気な予測を次々と打ち出している。TeslaのCEOであるElon Muskは、同社のヒューマノイドロボット「Optimus」について、人間を超える器用さを獲得し、約2万ドルでほぼすべての人間労働を自動化できる可能性があるとして「史上最大の製品」になり得ると主張。2027年末までの一般向け販売を予測している。

ベンチャーキャピタリストのMarc Andreessenは、ロボット工学が「地球の歴史上最大の産業」に発展する可能性があると示唆し、NVIDIAのCEOであるJensen Huangは、ヒューマノイドロボットが今年中にも人間レベルの能力に匹敵すると主張した。ウォール街もこの熱狂に加わっており、Morgan Stanleyは、2050年までに人型ロボットの世界総数が10億台近くに達し、5兆ドルを超える市場を生み出すと試算している。

しかし、ロボット工学の研究現場では、専門家たちがはるかに現実的な見方をしている。物理的なハードウェアが急速に進歩している一方で、予測不能で多様性に満ちた現実世界のカオスを乗りこなせる人工知能の構築は、依然として未解決の課題のままだ。

ハードコードされたルールからVision-Language-Actionモデルへ

何十年もの間、ロボット工学はハードコードされたソフトウェアポリシーに依存してきた。エンジニアが数千行もの明示的なコードを書き、機械のミリ単位の動作を制御していたのだ。近年、研究者たちはこの手動プログラミングを現代的なAIモデルへと置き換え始めている。

最初の移行段階で見られたのは、視覚と言語のモデル（VLM）だ。テキストと画像の両方でトレーニングされ、こぼれた飲み物の近くにある布を見つけるなど、視覚的なコンテキストを認識できる。そこから最先端技術は、Vision-Language-Action（VLA）モデルへと進化した。これらのアーキテクチャには、人間の実演から得られた動作コマンドが組み込まれている。これは通常、人間のオペレーターが遠隔操作（テレオペレーション）でロボットを動かしてタスクを実行させることで記録される。

Google DeepMindの研究者たちは、ALOHA 2（A Low-cost Open-source Hardware System for Bimanual Teleoperation：両手遠隔操作用の低コストなオープンソースハードウェアシステム）を用いて、主力モデルであるGemini Robotics VLAモデルのテストを行っている。ヒューマノイドの形態とは異なり、ALOHA 2は実験台の上に置かれた2本のロボットアーム、グリッパー、カメラのみで構成されている。Gemini Roboticsを搭載したこのシステムは、Ziplocバッグにパンを滑り込ませ、Tupperwareにブドウを入れ、ジッパーを閉めるといった弁当作りの作業のほか、折り紙を折ったり、トングでサヤエンドウをつまんだりするタスクをこなすことができる。

しかし、VLAには深刻な限界がある。見慣れないシナリオに置かれると、頻繁に失敗してしまうのだ。Imperial College Londonのロボット工学教授であるEdward Johnsが指摘するように、真の汎用システムはあらゆるタスクの領域全体で動作しなければならないが、現代のモデルは限定された事例でしか成功しない。

データ不足と「ワールドモデル」の台頭

インターネット上の膨大な公開テキストを取り込んできた大規模言語モデル（LLM）とは異なり、身体化されたAI（Embodied AI）は、質の高い物理的な実演データの深刻な不足に悩まされている。遠隔操作によるデータ収集は時間とコストがかかり、動画のみのトレーニングでは物理的な行動の正確さが欠け、制御されていない環境に自律ロボットを配置することは依然として危険を伴う。

Agility Roboticsの共同創業者であるJonathan Hurstは、汎用的な自律性を達成するためにトレーニングデータだけに依存することには根本的な欠陥があると主張する。物理世界には道具、形状、環境の組み合わせがほぼ無限に存在するからだ。AIパイオニアのYann LeCunもダボス会議で同様に、言語向けに調整されたAIアプローチは、高次元でノイズが多く、連続的な物理データにはうまく適応しないと指摘した。

この障害が、「ワールドモデル」の研究を加速させている。これは動画、センサー、3Dスキャンデータで訓練され、物理的な物体がどのように動き、変形し、衝突し、相互作用するかを予測するよう設計されたAIシステムだ。これらのモデルは物理現象を正確にシミュレートし、ロボットが実際に行動を起こす前に行動の結果を予測できるようにすることを目指している。

この領域には巨額の資金が流入している。

• スタンフォード大学の研究者Fei-Fei Liが共同設立したWorld Labsは、10億ドルを調達した後、9月にAMDによって82億ドルで買収された。

• Yann LeCunが共同設立したAMI Labsは、3月に1億ドルを調達した。

• 汎用ロボット頭脳を開発するサンフランシスコのスタートアップPhysical Intelligence（PI）は、基盤モデルを2024年のπ0から2026年4月にπ0.7へとアップデートした。最新バージョンには、次に行うタスク手順の画像スナップショットをフィードする軽量なワールドモデルが組み込まれている。テストにおいてπ0.7は、直接訓練されていなかったタスクである「サツマイモをエアフライヤーに入れる」動作を試みることで、合成的一般化（Compositional Generalization）の初期の兆候を示した。これは、エアフライヤーのバスケットを扱った遠隔操作データの痕跡に助けられた結果だ。

デモと現実のギャップ：物理世界における信頼性

こうした研究の進展にもかかわらず、制御されたプレゼンテーションと現場での自律配備との間には、依然として計り知れないギャップが存在する。ネット上で話題になるデモ動画の多くは、裏で組まれたスクリプトやリアルタイムの遠隔操作に依存している。例えば、2025年3月にNVIDIAのJensen Huangと共にステージに登壇したロボットは、舞台裏にいる人間のオペレーターによって遠隔操作されていた。

消費者向けや商業向けの用途では、極めて高い信頼性が求められる。Boston Dynamicsの創業者であるMarc Raibertは、研究室環境での成功率を50%から70%に引き上げたところで、実用化するには機械の失敗頻度が依然として高すぎると指摘している。

現在導入されているヒューマノイドは、管理された環境における狭く反復的なタスクに限定されている。Agility Roboticsは何百台ものロボットをAmazon、GXO Logistics、Schaefflerが運営する施設で試験運用させているが、その作業はコンテナやケースの運搬にとどまる。また、スタートアップの1Xは家庭用ロボット「Neo」の2万ドルでの予約受付を開始したが、初期ロットでは家事をこなすために人間の遠隔操作が必要とされる。

Hurstは、人間の手助けなしに有用な家事をこなせる完全自律型ロボットの実現には、まだ10年ほどかかると見積もっている。

産業規模の軸足は中国へ

欧米の研究機関が汎用ソフトウェアアーキテクチャに集中的に取り組む一方で、製造規模の集積は中国で起きている。Omdiaおよびロボット企業Unitreeのデータによると、2025年に世界中に出荷されたヒューマノイドロボット約1万5000台のうち、90%近くを中国メーカーが製造した。

Unitreeは同年に他のどのメーカーよりも多くのヒューマノイドを出荷し、6000ドル未満のモデルを提供している。しかし今のところ、その発注先は一般消費者ではなく、企業の研究所、大学、国有企業に大きく集中したままだ。

1495年のレオナルド・ダ・ヴィンチによる機械仕掛けの騎士のスケッチや、1939年のWestinghouseの「Elektro」、そしてデモの域を出ることができずに2018年に開発終了となったHondaの「ASIMO」に至るまで、ヒューマノイドロボティクスは長年にわたり現実世界の複雑さと格闘してきた。現代のAIモデルはかつてないほど豊かな知覚と動作をもたらしているが、機械を真に信頼できる汎用的なアシスタントへと変貌させる道のりは、一夜にして成し遂げられるブレークスルーではなく、依然としてマラソンのような長期戦である。