物理データの不足がヒューマノイドロボットの開発を停滞させている──Telus Digital幹部が警鐘

ヒューマノイドロボティクスを襲うデータボトルネック

過去4年間にわたる生成人工知能の急速な進歩は、ヒューマノイドロボットのテストや導入を加速させてきたが、開発者たちは現在、学習データの深刻な不足による行き詰まりに直面している。ポッドキャスト番組「Targeting AI」に出演したカナダ拠点のTelus DigitalでAIグロース＆ソリューション担当バイスプレジデントを務めるSce Pike氏は、現代の大規模言語モデル（LLM）を支えてきたデータパイプラインを、そのまま物理マシンに流用することはできないと警告した。

テキストベースのモデルはインターネット上の公開データを大量に取り込むことで急速にスケールしたが、物理ロボットはテキストだけで現実世界と対話する方法を学ぶことはできない。Telus Digitalのロボティクスおよび世界モデルの取り組みを率いるPike氏が指摘するように、デジタルの推論と物理的な動作の間のギャップを埋めるにはまったく異なるデータアーキテクチャが必要であり、業界はその大規模な構築に苦戦している。

現実世界における計算コスト、センサーノイズ、そして安全性

主な課題の1つは、マシンが物理的な現実をどのように理解するかという仕組みにある。Pike氏は、元MetaのAIチーフサイエンティストであるYann LeCun氏が広めた例えを引用した。LeCun氏は、人間の子供は感覚入力や視覚の視神経を通じて学習するため、4歳児はLLMの約5倍の理解力を持っていると指摘している。幼児は周囲の環境を観察し、相互作用することで、重力や物理法則、因果関係を自然と身につける。これらは書かれた言語だけからは純粋に導き出せない概念だ。

ロボットにおいてこの理解を再現するため、開発者は現実世界の映像で訓練された世界モデル（world models）に依存している。しかし、そうした素材を収集・活用することには極めて高い運用のハードルが存在する。

• 法外なストレージ・計算コスト： マシンに基本的な物理法則を教えるために必要な膨大な量の高解像度映像を収集することは、インフラおよび計算リソースに莫大な費用を生み出す。

• センサーの断片化： 物理的なトレーニングデータは、LiDAR、赤外線センサー、多種多様なカメラなどのばらばらな組み合わせを用いて収集されるため、データセット内に競合するシグナルや多大なノイズが生じる。

• 極めて高い安全リスク： データの破損や質の低さが誤ったテキスト出力につながるだけのチャットボットとは異なり、物理データの欠陥は人間の安全を直接脅かす。Pike氏は、混雑した商業モールでロボットが転倒して手足をバタつかせるといったハードウェアの異常動作が、現実世界において許容できない責任問題を引き起こすシナリオを強調した。

世界モデルへのシフト

このデータ不足は、ロボティクス業界が単なる機構・機械工学から「身体性を持った知能（embodied intelligence）」へと焦点を移す中で浮き彫りになっている。従来のエンタープライズAIが合成データセットやデジタルの自動化に注力する一方で、ロボティクス研究者たちは、より少ない生データで動作を汎化できる基盤世界モデルの探求を進めている。例えば、NVIDIAが出資するSkild AIなどのスタートアップは、単一の動画デモからロボットにタスクを実行させる訓練を行うことで、データ不足を回避しようと試みている。しかし今のところ、物理データ収集の高コストとノイズの多いマルチセンサー統合の克服が、実験室のプロトタイプと公共空間への安全で自律的な配備を隔てる最大の障害であり続けている。