ヒューマノイドの製造コストの40〜60%はアクチュエーター ― 中国依存の供給網が「コモディティ化」を阻むとヤン氏が指摘
今夏は、ロボティクス分野で大きな発表や資金調達が相次ぎました。見るだけでタスクを覚えるロボット、初めての部屋に入ってもすぐに動けるロボットなど、「フィジカルAI」への資金流入も目立ちます。一方で、誰がどこで競争しているのか、空白はどこにあるのかは分かりにくくなっています。
本記事は、Lightseedのパートナーでロボティクスを含むAIのフロンティアを担当するアンバー・ヤン氏が、ホワイトボードに「モデルが汎用か特化か」と「ハードウェアが汎用か特化か」の2軸で企業を整理した対談の内容をまとめたものです。発言は日本語に要約しており、逐語訳ではありません。
なお、元の文字起こしには固有名詞の誤認識とみられる箇所があり、文脈から補正しています(例:「Skilled」はSkild AI、「VAS」はVLA、「Dina」はDyna Roboticsと推測)。
1. モデル層の進化 ― 模倣学習からVLA、そして、世界行動モデルへ
1-1. 旧世代のロボット企業が苦戦した理由
ヤン氏は、数年前までのロボット研究の主流は模倣学習だったと説明します。人間の行動を一つひとつの動作として真似させる方式で、汎用性が低いのが難点でした。新しい動作や新しいハードウェアの形(エンボディメント)ごとに調整が必要になるため、旧世代のロボット企業は苦戦したといいます。
なお、同氏は模倣学習を「強化学習の一種」と説明していますが、一般には両者は区別される手法です。ここは発言のまま記載しています。
1-2. VLAの台頭
近年の主流は、VLA(Vision-Language-Action)モデルです。視覚と言語の入力をエンコードし、次の行動を予測する構造で、Skild AI、Generalist、Physical Intelligenceなど、複数の企業で汎化の進展が見られると述べています。
1-3. 世界行動モデル(World Action Model)
いま新たに議論になっているのが、世界行動モデルです。現在の世界の状態から、将来の環境の状態を予測し、その状態に到達するためにロボットが今とるべき行動を予測するという考え方で、より高い汎化が期待されています。特定の動作列から、環境の文脈を読み取って最適な行動を1回で予測する方向への移行だと整理しています。
2. LLMとロボティクスは何が違うのか ― データの集め方
2-1. インターネット上に「コーパス」がない
ヤン氏は、ロボティクスのモデルがLLMと大きく異なる点として、モデルに投げ込めるインターネット上のデータの集まりが存在しないことを挙げます。そのため、各社はさまざまなデータ収集手法に頼っています。
テレオペレーション:人間がロボットを遠隔操作し、そのデータで学習する
一人称視点(エゴセントリック)データ:人が頭にカメラを付けて作業を記録する
シミュレーション:NVIDIAのエコシステムなどを使い、現実ではない仮想データで学習する。Skild AIが多く活用しているという
2-2. インコンテキスト学習の意義
注目される進展が、インコンテキスト学習です。ロボットが実世界と相互作用する最中に、うまくいった場合と悪かった場合を観察し、リアルタイムでモデルを更新する考え方です。
ヤン氏は、これが最も質の高いデータになりうると述べました。そのロボット自身のエンボディメントで得られた行動とセンサー記録が使えるため、人間のデータをロボットに対応づける作業が要らないからです。
3. ハードウェア層 ― コモディティ化しないヒューマノイド
3-1. 人型以外のロボットではコストが急低下
ヤン氏は、倉庫や工場で使われる、1本のアームやピッキング(取り出し・配置)に特化したロボットでは、ハードウェアのコストが急速に下がっていると説明します。これにより、顧客への導入がビジネスモデルとして面白くなるとの見方です。
3-2. アクチュエーターと中国依存
一方、ヒューマノイドは別だといいます。
ヒューマノイドの製造費の40〜60%がアクチュエーター
アクチュエーターの供給網は、ほぼ完全に中国に依存している
中国製アクチュエーターの使用を制限する規制が最近成立した(同氏は「次の政権で変わる可能性がある」とも述べました)
関税の引き上げに加え、アクチュエーターに使うレアアース磁石も中国の供給網に完全に依存している
このため、ヒューマノイドの製造コストが急速に下がると想像するのは難しく、「ハードウェアとしてコモディティ化する」とは言い切れないというのが同氏の見立てです。長期的には賭けることはできる、としています。
4. 4象限マップ ― 誰がどこにいるのか
ヤン氏は、縦軸を「モデル(特化/汎用)」、横軸を「エンボディメント(特化/汎用)」とする4象限で整理しました。
4-1. 特化モデル × 特化ハードウェア
Dexterity(Lightseedの投資先)、Tactum、Reflex Roboticsなどが該当します。いずれも倉庫や製造の現場に深く入り、特定の顧客に向けた導入と、その環境に特化したデータ収集を重ねてきた企業です。
今後の論点は、Physical Intelligenceが汎用モデルを実現した場合に、これらの企業がどうなるかです。ヤン氏は、顧客関係と長年の導入実績があるため、より汎用的なモデルに差し替えることができ、特定のモデルへの忠誠心を持たずにハードウェアの導入と顧客対応に集中できる、とみています。
4-2. 「Deploy Co」と「ロボット版OpenRouter」
ここで登場するのが、Ultraです。同社のモデルは、Physical Intelligenceの最新モデルをファインチューニングしたもので、自前でモデルを訓練していません。工場で集める20〜30時間のデータで、かなり使える水準になると説明しています。
PIのモデルのファインチューニングは、1年前に比べてはるかに楽になったが、現時点でもまだ難しい
工場側が、必要なデータの質を理解して記録するのは難しい
Ultraのロボットは固定式のため、ロボットが完了すべきタスクの環境が絞られる。移動型ロボットの場合、具体的な変更の対応は簡単ではない
ヤン氏は、こうした企業を「Deploy Co」と呼び、今後1年で増えると予測します。Physical Intelligenceや他の汎用モデルを使い、特定のモデルへの忠誠なく、「ロボティクスにおけるOpenRouter(複数のLLMを切り替えて使える仲介サービス)」のような存在になる、という見立てです。ヒューマノイドや車輪型など複数の形のロボットを持ち、レストラン、コインランドリー、介護施設などに「その環境向けに導入する」形で提供します。エンドユーザーは中身を知らず、ロボットを所有しない場合もあるといいます。
4-3. 汎用モデル × 複数のハードウェア
ヤン氏は、この象限の最近の動きを3社挙げました。
Skild AI:創業当初から導入を重視。製造などで大型契約を結び、数週間前に売上1億ドル超を発表したと述べた
Physical Intelligence:研究に純粋な会社だが、導入にも踏み出し始めた。新しい民泊(Airbnb)の部屋に入ってすぐに汎化する様子を、デモ映像ではなくライブで見せた
Reward AI(表記は文字起こしのまま):先週ローンチ。人間の作業の動画を入力として、追加のファインチューニングなしで1回で汎化できると主張している
こうした企業が導入を進めることは、Ultraのような企業が成り立つ前提でもあると指摘しています。
4-4. 汎用モデル × 特化ハードウェア
自社の身体を持ちつつ、汎用的な頭脳を目指す象限です。Sunday Roboticsは、センサーを多数埋め込んだ手を開発したと主張しており、ロボットが動作する際のライブデータを得られます。人間の手とロボットの手の対応づけが必要な一人称視点データと違い、質が高いデータになりうるというのがヤン氏の評価です。
この象限の企業は、人型の消費者向け用途に重点を置いており、ヤン氏は長期戦になるとみています。環境のノイズが多く、安全面の懸念もはるかに大きいためです。1XとFigureは、Sundayのようなデータの仕組みを持たないとしつつ、Figureには顧客がおり、1Xも前進していると述べました。
5. 過熱、空白、そして、投資機会
5-1. 最も資金が集まっているのは「汎用×汎用」
ヤン氏は、汎用モデルと汎用エンボディメントの象限が最も資本が集まっていると述べました。汎用的なモデルを一から訓練するには多額の資金が必要で、それは妥当だとしています。この象限を売り込む企業が多く、ラウンドは「過熱気味」だとも話しています。
5-2. Deploy Coの余地
見たい分野の筆頭が、Deploy Coです。Skild AIやDexterityなどの出身者、またはDyna Roboticsのような企業の経験者が起業するのがよいと述べました。ロボットの導入は、ノイズの多い環境や顧客との信頼構築が必要な、運用負荷の大きい仕事で、研究者出身の人が得意とは限らないからです。
5-3. LLM世界のインフラがロボットにも
LLM世界のインフラやツールが、ロボットの世界でも重要になるというのが同氏の見方です。
データ収集:Scale AIのように、テレオペや一人称視点のデータを集めて、モデルを訓練する企業に販売する新しい市場が形成された
推論チップ:ロボット専用の推論チップを設計する企業が出始めている。実世界の推論には低遅延と高い計算効率が求められ、LLMとは条件が異なる
データ品質とパイプライン:ロボット基盤モデル(RFM)企業やデータ収集企業向けに、データの品質を担保し、注釈を改善するモデルを作る動き
5-4. 観測可能性(オブザーバビリティ)と評価
まだ立ち上がっていない領域として、ロボティクスの観測可能性と評価(エバル)を挙げました。現在は、各社が自社のデモと論文を公開し、自社が選んだタスクの成功率を示すだけで、比較が難しい状況です。LLMの世界では、ベンチマークで競う文化がすでに確立しています。
ヤン氏は、顧客が各モデルの中から選ぶには評価が不可欠で、ロボティクスでは安全性とも直結するため、LLM以上に重要になるかもしれないと述べました。ここでは、WaymoやCruise(文字起こしでは「Whimo」「Cruz」)が初期に構築した安全上の制約、テスト、観測可能性の仕組みから学べる点が多いとしています。
6. 起業家へのアドバイス
最後に、汎用モデルと汎用エンボディメントを売り込む起業家が多いことに触れ、ヤン氏は、既存の有力企業との差別化が課題だと述べました。既存企業も自社の立ち位置をまだ確立し切っていないため、競争は難しくなります。
そのため、次のような具体的な差別化が必要だとしています。
アーキテクチャ上の具体的な改善
自社内のデータ収集の仕組みによって、データパイプラインの質を大きく高め、データベンダーに頼る企業を一気に追い抜く
計算効率で優位に立つ
