宇樹科技（Unitree）の上場2日目、創業者の王興興氏は2026年世界ロボット大会で「展示品から製品へ：人型ロボット産業の次の10年」と題する基調講演を行った。同氏は、現在ロボット産業は人工知能（AI）が加速する新たな出発点に立っており、現段階でこの分野の最大の発展ボトルネックは依然としてエンボディドAIの汎化能力の不足だとしている。
「発展サイクルから見ると、早ければ2〜3年、遅くとも5〜10年で、業界は重要なブレークスルーを迎える可能性がある」。エンボディドAIがChatGPTのような産業の臨界点を迎える時期について、王氏は比較的楽観的な見方を示した。
一方、汎用ロボットがいつ本当に家庭に入るかについて、王氏は「現在世界最大のボトルネックはやはり汎化能力の不足だ。もし、ロボットを任意の未知の環境に連れて行き、そこで約80％のタスクをほぼ遂行できる日が来れば、それはすでにエンボディドAIの『ChatGPTモーメント』をほぼ実現したことになると思う」と述べた。
以下は、PANewsが整理した講演内容である。
宇樹の10年を振り返る：四足ロボットから人型ロボットへ
ご来賓の皆様、ご列席の皆様、こんにちは。この場でお話しできることを大変光栄に思います。まず当社の状況を簡単に振り返ります。宇樹科技は2016年8月に設立され、本年8月でほぼ丸10年になります。当初は四足ロボットを手がけ、ここ数年で人型ロボットの開発を始めました。
ここ数年で比較的成功した製品の一つが、2024年に発表したG1です。G1は発表後、世界の人型ロボット分野で比較的代表的な製品となりました。現在見られる多くの人型ロボット製品は、全体の形状や設計思想のいずれにおいても、G1と似ている部分があります。
今年初めに比較的代表的なプロジェクトとして、春晩（中国の旧正月恒例番組）で披露した『武BOT』があります。この演目は、中国の非常に古典的な伝統功夫・武術文化を融合させたものです。私たちは事前に数十の代表的な中国功夫の動作を収集してAIで訓練し、最後にその見応えのある動作を舞台全体で披露しました。この演目の最大の見どころは、現在の最先端の人型ロボット技術と中国の伝統的な功夫・武術文化を組み合わせたことです。この映像は海外でも非常に広く拡散され、再生回数はおそらく数百億回に達しました。これはテクノロジーと文化の融合が比較的うまくいった例だと思います。
2月には、天壇でもデモンストレーションを行いました。現場では約49台のロボットが全自動でパフォーマンスを行いました。天壇自体には数百年の文化と歴史があり、そうした場所でロボットがパフォーマンスを行うことで、非常に強い時空を超えた感覚が生まれます。中国の過去数百年の文化と現在の最新技術が交じり合い、視覚的にも感覚的にも非常に衝撃的でした。
ここ数年、私たちはロボットが実際に生活や工場に入ることを推進してきました。2024年には自動車工場と協力して実用化を進め始め、自社工場にもロボットを導入して簡単なテストや応用を行ってきました。現在、当社のAIチームの大半は、ロボットを実際に家庭や工場で働かせるための研究開発に取り組んでいます。
なぜ現時点で大規模に普及していないのか。最大の理由は、ロボットの効率と汎化能力がまだ不十分だからです。現在ロボットは簡単な組み立て作業をある程度行えますが、効率は依然として人より低い。また、新しいタスクに直面するたびに再訓練が必要になることが多く、全体の効率をさらに下げます。ですから、まず技術の汎化能力を高めてから大規模展開したいと考えています。これは現在、世界のロボット業界が共通して直面する中核的ボトルネックでもあります。
今年4月には、人型ロボットの疾走速度記録も更新しました。このロボットは、当社が2023年に発表した初代の人型ロボットH1をベースに改造したものです。H1は宇樹初の人型ロボットであり、比較的古典的な製品でもあります。その後もH1をベースに、車輪構造を追加して特定の場面でより機動的に動けるようにするなど、さまざまな形態を試してきました。
ロボットを駆動するもの：AI・データ・実世界の現場
皆さんもご存じのとおり、現在のロボットは基本的にAIで駆動されており、AIは本質的にはデータで駆動されています。どれだけのデータ、特に高品質なデータがあるかが、AIの能力を大きく左右します。そのため、私たちは一方で自社でデータを収集し、他方で第三者企業とも協力して、より多くのデータを取得したいと考えています。それは業界向けにも、自社向けにも使用します。
私個人としては、AIロボットの訓練に本当に使うデータは、大量の実在の人間から得たデータやインターネット上のデータを主な事前学習データとし、そこに一部の実機データを組み合わせるべきだと考えています。この2種類のデータはどちらも必須です。データ規模で見ると、実在の人間から得たデータの方が多く、より重要になります。しかし実機データも欠かせません。最終的にはロボットを現実の物理世界と適合させる必要があるからです。
今年5月には、世界初の量産級有人変形メカ「GD01」を発表しました。このロボットは全高3メートル余りで、人を乗せた後の重量は約500キロです。このような機械にどのような用途があるのか、皆さんは気になるかもしれません。簡単にたとえると、これは「オフロード車」のようなもので、家庭や都市部での日常利用を主目的としたものではなく、屋外や複雑な環境、ある種の物資輸送シーンにより適しています。たとえば、屋外でのトレッキングや、地形が複雑な場所での物資輸送などに利用を検討できます。
GD01にはもう一つ面白い特徴があり、四足モードに変形できることです。四足モードに切り替えると、安定性が向上し、障害物を乗り越える能力も比較的高くなります。これを実際に予約販売に踏み切った理由の一つもそこにあります。四足モードでは、比較的良好な安定性と複雑な地形での走破能力をすでに備えているからです。簡単に言えば、ロボット形態の「オフロード車」と理解できます。
数か月前には、マルチモーダルモデルに基づくエンドツーエンドのAI動作生成システムのデモも行いました。従来の多くのロボット動作デモは、事前に収集・訓練されたものでした。一方、このシステムの動作は、リアルタイムの音声指示に応じて生成できます。音声はまず認識され、クラウドにアップロードしてAIで動作を生成し、その後動作を検証し、問題がないことを確認してからロボットに送信します。そのため、現時点ではプロセス全体に数秒の遅延があります。
私たちは将来、ロボットが実際に現場で応用される際には、事前のプログラミングに頼らず、動作を完全にリアルタイムで生成できるようにしたいと考えています。現在のこの自動生成方式にはもう一つの特徴があります。まったく同じ指示を入力しても、毎回生成される動作がわずかに異なる可能性があるのです。つまり、今日と明日でロボットに同じ言葉をかけても、ロボットが行う動作は完全には同じにならないかもしれません。
私たちは、ロボットが会議室などの日常的な場で実際に作業することも推進しています。たとえば社内の会議室は乱れがちなので、会議室の整理は比較的明確で実用的な価値のあるタスクです。私たちの訓練目標は、会議室を任意に散らかした後でも、ロボットがそれを清潔で整頓された状態に戻せるようにすることです。
このタスクは現在、完全にエンドツーエンドで実現しているため、ロボットの動作効率はまだかなり遅いです。ただ、これは単一タスクのシステムではありません。この場面では約7〜8種類のタスクを設定し、1つのモデルでロボットが異なるタスク間を自動的に切り替えて直接実行できるようにしており、一定の耐干渉性も備えています。AIがリアルタイムに認識・生成し、継続的に推論する必要があるため、動作はまだそれほど滑らかではなく、一歩動くたび、一つの動作をするたびに推論が必要になります。そのため全体の「滑らかさ」に影響します。ただし、デモ動画自体はワンカットで、編集を行っておらず、環境からの干渉も加えています。
さらに、音声駆動とマルチモーダルモデルを組み合わせることで、ロボットが音声に応じて動作を生成するだけでなく、実際に対話や操作タスクを完了できるようにしました。現場でのデモでは、ロボットは目の前の物体の色を認識し、異なる薬箱の位置を判断し、その上で言語指示に従って指定された物体を取り出すことができました。この場合、ロボットが実行するのは事前に設定された固定動作ではなく、言語を理解し、環境を認識してから操作を完了する必要があります。
先日、最新世代の車輪付き四足ロボット「As2-W」も発表しました。このロボットは比較的軽量で、バッテリー込みの重量は約25キロ、積載能力と航続性能がともに比較的高く、IP54の防塵・防水性能を備えており、屋内と屋外の両方のシーンに対応できます。
私たちは、人型ロボットで蓄積した技術の一部を四足ロボットに再び応用し、四足ロボットの機動性をさらに高めると同時に、積載、航続、複雑な環境への適応能力をより良くしたいと考えています。また、このロボットが将来、実際に屋外でのトレッキング、物資輸送、一部の産業現場などで使われることを期待しています。
同時に、当社はR1のような軽量型の人型ロボットのアップグレードも続けており、運動性能と機動性をさらに高めています。R1自体はコストパフォーマンスに優れており、すでに京東（JD.com）や淘宝（タオバオ）などのチャネルで購入できます。
先日、新しいロボットも披露しました。このロボットは開発期間が非常に短く、現時点でまだ約3か月余りしか経っておらず、正式発表バージョンではありません。最高速度はすでに12.65メートル/秒に達しており、人類史上最速のアスリートのピーク疾走速度を上回っています。現在のテスト結果によれば、ジャンプの高さも人類史上の最高跳躍水準を上回っています。2025年には、私自身、当社の製品、そして宇樹科技も『タイム』誌の関連ランキングに選ばれました。
エンボディドAIの中核的ボトルネック：汎化能力と実世界との整合
ここ数年におけるエンボディドAIモデルの発展を改めて振り返ります。現在の主な技術的アプローチには、VLAモデルとワールドモデルがあります。今年最も耳にする機会が多かったのは、おそらくワールドモデルという方向性でしょう。
当社はAIモデルに一貫して多大な投資を行っており、これは現在、資金と人材を最も投入している分野の一つです。2020年初めには、映像生成ベースのワールドモデルの研究に着手しました。2020年末時点ではまだ成果が十分ではなく、途中しばらく中断していました。しかし昨年から、映像生成ワールドモデルへの投入を再び強化しています。
多くの人がこう問いかけます。真に汎用的なロボットは、人型であれ半人型であれ、いつ実際に生活や家庭に入り込むのでしょうか、と。
私は、現在の最大のボトルネックは依然としてエンボディドAIの汎化能力の不足だと考えています。現在の多くのAIモデルは、固定された場面では、十分なデータ収集と訓練を行えば、成功率をほぼ100％近くまで高めることができます。しかし、操作する物体が少し変わったり、環境がわずかに変化したりするだけで、成功率は明らかに低下します。
将来的には、早ければ2～3年、遅ければ5年、あるいはそれ以上かかることを望んでいます。もしある日、ロボットをそれがまったく見知らぬ環境、たとえば一度も見たことのない家庭に連れて行き、音声や言語の指示だけで80％程度のタスクをこなせるようになれば、具身知能の「ChatGPTモーメント」にほぼ到達したと思います。これが、将来の産業が本格的に爆発する重要な臨界点にもなるでしょう。
この評価指標は実はとてもシンプルです。ロボットが約80％の未知のシーンにおいて、音声または言語の指示だけで約80％のタスクを完了できる、というものです。これは非常に重要な臨界点だと思います。
なぜ今はまだこの水準に達しないのか。最大のボトルネックの一つは、AIモデルの入出力と、実際のロボットや実世界との間のアライメントがまだ十分ではないことです。
例えば、ロボットに移動を指示したり、二つの部品を組み付けさせたり、物体をある場所から別の場所へ運ばせたりする場合、大まかな方向性は問題ないことが多く、基本的にはタスクを理解し、おおよその実行方法も分かっています。しかし、最終的な成功率に本当に影響するのは、最後の数センチ、さらには最後の数ミリであることが多いのです。
ロボットが物をつかもうとするとき、見た目にはもう少しでつかめそうに見えても、最後の触覚フィードバックや最後の位置誤差をうまく補正できません。この誤差が正しく補正されなければ、最終的にタスク全体が失敗し、成功率が非常に明確に低下する可能性があります。
これは現在、世界中の身体性AI（エンボディドAI）が直面している非常に核心的な問題です。AIモデルの入出力と実世界との間にずれが存在しているのです。
なぜロボットではこの問題が起き、一般的な言語モデルやマルチモーダルモデルではそれほど顕著ではないのでしょうか。言語モデルが扱う内容は、本質的にはすべてデジタル符号化されています。入力が何で出力が何かは、デジタル空間またはベクトル空間に厳密に制限されているため、誤差が同じように蓄積し続けることはありません。
しかしロボットは異なります。ロボットの入出力は毎回、実際の物理世界に入ります。動作を一度実行するたびに、一定のずれや損失が生じます。これらのずれは次の知覚と次の動作に影響を及ぼし、最終的に誤差の蓄積を引き起こします。だからこそ、現在のロボットモデルの汎化能力と実際のタスク成功率は、まだ十分に高い水準には達していないのです。
この問題は今後数年で必ず解決できると思いますが、それにはもう少し時間が必要です。
ロボットの自己進化：AIでロボット研究開発プロセスを再構築する
ここでもう一つ、私たちが最近進めている取り組みを紹介します。物理AIロボットモデルに自己進化を直接実現させることです。
ここ数年、AIを使ってプログラミングやさまざまなAI開発を行うことはすでに大量に行われてきましたが、ロボット研究開発プロセスそのものへのAIの活用は、今のところまだ比較的不足していると感じています。私たちが最近進めているのは、現在の最先端かつ最高水準の大規模モデルを使ってロボット研究開発を駆動することです。
具体的には、まずAIにいくつかのルール、経験、制約、ツールを設定し、AI自身にインターネットで最新の論文、最も優れた研究成果、さまざまなオープンソースのソリューションを検索させます。その後、AI自身にプログラミングさせ、ロボットの制御コードを生成させます。
制御コードが生成されたら、それをまずシミュレーション環境で実行・訓練し、さらにモデルや制御システムを呼び出して、実際のロボットを駆動することもできます。
実際のロボットに展開すれば、実テストを行い、その結果を評価・採点できます。評価の一部はロボットAIモデル自身が行い、もう一部は人間が参加することもできます。人間の経験は依然として非常に重要です。なぜなら、多くの場合、人間は動作が良いか悪いかを容易に判断できるからです。
このロジックが本当に体系化されて動き出せば、ロボット開発の効率は大幅に向上し、反復速度も非常に速くなります。このプロセスが一定期間回り続ければ、ロボットの自己進化能力の向上が実際に形成される可能性があります。
ここで最も簡単な例を挙げます。コーディングエージェントを使い、それにロボットの制御コードを書かせることができます。現在、比較的単純な深層強化学習アルゴリズムの多くは、コーディングエージェントによる自動プログラミングでも、すでにかなり良い結果が出ています。
コードが生成されたら、それをシミュレーション環境に入れて検証・訓練します。効果がある程度まで達したら、それを実機ロボットに展開してテストします。テスト後は、一方でAIモデルが評価し、他方で人手による採点も加えて、効果がどうかを判断します。それらの結果をプログラミングエージェントにフィードバックし、次のラウンドのコード生成と最適化に入ります。最終的に、継続的な反復による前向きな循環が形成されます。
今お話ししたのは最も単純な例にすぎず、実際に使う際にははるかに複雑になります。しかし、これは現在、そして今後数年の世界のロボット業界で非常に取り組む価値のあることだと思います。
なぜこれを行うのか。いくつか直接的な理由があります。
第一に、基盤モデルの能力は毎月、毎年向上しているため、自己進化ループ自体の能力もそれに伴って向上します。つまり、このシステムは世界のAI基盤能力の進歩に自然に追随して、継続的に強くなることができます。
第二に、多様なデータをより十分に活用できます。これまで人手に頼ってデータを処理・利用していた方法では、全体の効率が比較的低いものでした。自己循環を形成すれば、さまざまな訓練データ、実世界データ、人間のデータをすべて活用でき、しかもデータ利用効率はより高くなります。
第三に、より多くの実機展開とクローズドループを形成できます。実際のロボットの展開が増えるにつれて、新しいテストデータが継続的に得られ、評価指標もますます多く得られます。そうなれば、システム全体のデータ利用率とデータ成長速度が確保されます。
第四に、ロボットのスキルを継続的に蓄積できます。毎日、毎月、新しいスキルを少しずつ増やすことができます。今日開発したスキルを明日無駄にしたり、もう一度最初からやり直したりする必要はありません。スキル、データ、制御ポリシー、評価結果はすべてこのシステムに継続的に蓄積できます。
ですから、これは非常に重要なことだと思います。AIを本当に使ってロボットの開発効率と進化効率を大幅に高めることです。将来、この方法は物理AIロボットが継続的に進化するための重要な経路の一つになり、新たな段階を開く可能性があります。
今後、この方向性を推進する人はますます増えていくと思います。
振り返ってみると、宇树（Unitree）はすでに約10年を歩んできました。私たちは2017年、2018年頃に初めて世界ロボット大会に参加し、その後の年月を歩んできて、非常に深い感慨を持っています。
今日の新しい段階に立ち、特にAIが急速に発展し、世界のロボットへの関心が非常に高まっている背景の中、ロボット全体の進化速度はすでに明らかに加速しています。将来のロボットの発展速度は、私が今予測しているよりもさらに速くなるかもしれません。
これは全く新しい出発点であり、全く新しい始まりだと思います。
時間の都合上、本日は簡潔な報告になりました。ありがとうございました。どうぞご容赦ください。
