3秒のお手本を1回見せるだけでロボットが新作業を覚える —「ロボティクスのGPT-3」GEN-1.5

ロボットに新しい作業を仕込むには、これまで何百回もの実演データを集めてモデルを再学習させるのが常識だった。その常識を、たった3〜12秒のお手本1回で置き換える——そんな主張とともに登場したのが、ロボティクス企業Generalist AIの新しい基盤モデル「GEN-1.5」だ。海外では早くも「ロボティクスのGPT-3モーメント」と呼ばれ、注目が一気に集まっている。本記事では、GEN-1.5で具体的に何ができるのか、なぜGPT-3になぞらえられるのか、そして額面どおり受け取ってよいのかまでを整理する。

「見せれば覚える」ロボットの基盤モデル

GEN-1.5は、映像・センサー・言語・自己受容感覚（プロプリオセプション）といった複数の入力を扱う大規模マルチモーダルモデルだ。ポイントは、新しいタスクを教えるときにパラメータを一切いじらないこと。人間がやってみせた3〜12秒の動作クリップを「物理的なプロンプト」としてそのまま差し込むと、モデルは勾配更新もファインチューニングもなしに、その場で作業を再現しようとする。約30秒ぶんの記憶を保持し、100Hzで動作軌道を出力する仕様だという。

同社が10種類の作業で評価したところ、この「ワンショット（1回のお手本）」だけで平均59%の成功率を記録した。評価タスクはガラス瓶のフタを開ける、ペンケースのファスナーを閉じる、財布からお金を取り出す、紙を折る、カップを積む、スマホを裏返す、ブラシでブロックを掃く、といった日常的だが手先の器用さを要するものばかり。さらに約5分ぶんのデータで10回だけ勾配更新を回す「数ショット適応」を加えると、成功率は83%まで伸びたとしている。

なぜ「GPT-3モーメント」なのか

この比喩の肝は、性能の数字そのものではなく学習の“形”にある。GPT-3が文章の例をいくつか見せるだけで再学習なしに新しいタスクをこなす「文脈内学習（in-context learning）」で世界を驚かせたように、GEN-1.5はお手本の動作を見せるだけで物理的なタスクを文脈内学習してみせる、というわけだ。しかもGeneralistによれば、この能力はメタ学習の仕組みや専用の補助目的をわざわざ組み込んだ結果ではなく、8か月にわたって物理的な相互作用データで事前学習を回し続けるうちに“創発”したものだという。設計して埋め込んだのではなく、規模から立ち上がってきた——この語り口自体がGPT-3の登場を強く想起させる。

資金面の後ろ盾も派手だ。同社は6月にNVIDIAやBezos Expeditionsが参加するラウンドで4億ドルを調達し、評価額は20億ドルに達している。フィジカルAI（物理世界で動くAI）に張る投資家の期待の大きさがうかがえる。

何が変わりうるのか——3つの含意

まず現実的なインパクトが大きいのは、ロボットの学習コストの激減だ。現場ごとに膨大なデータ収集と再学習をやり直す必要が減り、「1回やってみせれば適応する」流れが本物なら、産業用ロボットの導入ハードルは大きく下がる。多品種少量生産の工場や、作業内容が頻繁に変わる物流現場のように、これまで自動化が割に合わなかった領域こそ恩恵を受けやすい。

次に、ロボティクスが言語モデルと同じ「量から質への転換点」に差し掛かった可能性だ。個別タスクごとに専用モデルを作る時代から、1つの基盤モデルに例を見せて振る舞いを引き出す時代へ——このパラダイムが定着すれば、開発リソースはハードとデータ基盤に集中し、ソフト側は“プロンプト設計”に近づいていくかもしれない。

そして、うまくいけば家庭用ロボットの現実味も一段上がる。家庭は環境も道具もタスクも千差万別で、事前学習だけでは網羅しきれない。だが「その家のやり方を一度見せれば覚える」仕組みが十分な信頼性で揃えば、汎用ロボットが各家庭に適応する道筋が見えてくる。

冷静に見ておきたい点

とはいえ、ここは割り引いて読むべきだと思う。59%という数字は、裏を返せば10回のうち4回は失敗するということだ。数ショットで83%まで上がるのは印象的だが、それでも産業現場が求める信頼性には届かない水準だし、そもそもこれらは同社が選んだ10タスク・自社評価の結果である点は忘れてはいけない。ベンチマークの数字はデモ環境への依存度が高く、照明・物体の個体差・雑然とした現場でどこまで再現するかは未知数だ。デモ動画の鮮やかさと実運用の泥臭さのあいだには、いつも大きな距離がある。

それでも、「再学習なしでお手本から物理タスクを覚える」というパターンを、これだけ多様な作業で示した事例はこれまでなかった、という主張には一定の説得力がある。フィジカルAIが言語モデルの後を追って“基盤モデルの時代”に入るのか——GEN-1.5は、その問いを一気に手前に引き寄せた一手だと言える。今後は第三者による再現検証と、実機・実環境での長期運用データがどこまで出てくるかに注目したい。