Unitreeのトップが冷水を浴びせる？身体性AIの「ChatGPTモーメント」は果たしてあとどれくらいか

ヒューマノイドロボットが最も盛り上がっている今、A株「ヒューマノイドロボット第一株」とされる企業のトップが業界に冷や水を浴びせたようだ。

8月20日、2026年世界ロボット大会で、宇樹科技の創業者である王興興氏は、上場後初の公開講演で、エンボディドAIの「ChatGPTモーメント」はまだ到来しておらず、早ければ2〜3年後、遅ければ5年から10年後になると率直に述べた。

この2年間、ヒューマノイドロボットは最も注目を集めるテクノロジーの「トレンドアイテム」となってきた。各種イベントのステージやゲーム企業の展示会、さらには商業施設や小売店の入り口で、こうした未来的なロボットを目にする機会はますます増えている。器用に、あるいはややぎこちなく踊ったり、歩いたり、手を振ったり、観客と握手して交流したりする姿は、実験室から一般の視野へと急速に入り込みつつある。

しかし、華やかなデモの裏側では、そうしたロボットの実際の能力は、人々が抱く「未来のロボット」像とはまだ大きくかけ離れている。少なくともより一般的な期待において、ロボットは舞台でパフォーマンスをしたりマーケティングを担ったりするだけではなく、実際に工場や家庭に入り、運搬・整理・工具の操作、あるいは家事や介護の一部を担うべきだ。大衆の疑問は一貫して具体的で直接的だ。ロボットはいつ、本当に仕事をこなせるようになるのか。

大規模言語モデルの分野では、かつてChatGPTが極めて象徴的な答えを示した。それは最初の言語モデルではなかったが、AIがある能力の臨界点を越えたことを、多くの一般ユーザーに初めて直感的に認識させた。同じような瞬間がエンボディドAIの分野でいつ訪れるのかは、ロボット業界で最も注目される問いの一つになりつつある。

ロボットが多くの家庭に入る鍵は、やはり汎化能力にある

8月20日に開催された世界ロボット大会で、宇樹科技の創業者である王興興氏は、エンボディドAIが現在直面する最大のボトルネックとして、業界で繰り返し議論されてきた「汎化能力」という問題を挙げた。

王興興氏の見方では、現在の多くのロボットモデルは、固定された環境であれば、十分なデータ収集と学習を行えば、タスク成功率を100％近くまで高められる。だが、操作対象の物体が変わったり、環境がわずかに変化したりするだけで、ロボットの成功率は明らかに低下し得る。

これは、ロボットが実際に日常生活や家庭に入り込むうえで最大のハードルでもある。

王興興氏はかなり具体的な判断基準を示した。ある日、ロボットをまったく見知らぬ家庭や環境に連れて行き、音声や言葉の指示だけで約80％のタスクをこなせるようになれば、エンボディドAIはほぼ自らの「ChatGPTモーメント」を迎えたことになる。時期については、早ければあと2〜3年、遅ければ5年から10年かかる可能性があるとしている。

王興興氏が特に強調するのは、本当に難しいのはロボットに「おおよそのやり方を理解させる」ことではなく、最後の数センチ、時には数ミリの部分だということだ。

例えば、ロボットに物をつかませる場合、モデルが一連の動作を正しく計画し、ロボットアームも物の近くまで移動していても、最後のわずかな位置誤差、触覚フィードバック、把持力のどれかが正しく補正されなければ、タスク全体が失敗する可能性がある。

これは、ロボットと大規模言語モデルが大きく異なる点でもある。

言語モデルの入力と出力は常にデジタル空間の中で完結するが、ロボットは知覚や動作のたびに現実の物理世界と相互作用しなければならない。センサーにはノイズ、アクチュエーターには誤差があり、物体の位置・素材・重さも絶えず変化する。こうした誤差はタスクの実行につれて蓄積していく。そのため、エンボディドAIにとって「おおむねできる」状態から「安定的に正しくできる」状態への移行は、最初にタスクを学習することよりも難しい可能性がある。

王興興氏が上記の判断を示したほぼ同じタイミングで、銀河通用の創業者兼CTOである王鶴氏も、より明確な年を示した。王鶴氏は、データの継続的な蓄積と技術のさらなる進歩により、エンボディドAIは2028年に「ChatGPTモーメント」を迎えると予想されるとし、その時点を「特定タスク向けの特別な訓練をしていなくても、日常的なタスクの約70〜80％をこなせること」と定義した。

両者の見方は実際には非常に近い。王興興氏はロボットが未知の環境に入った後のタスク完了率に注目し、王鶴氏は特別な訓練がない状態での基盤モデルの直接的な汎化能力に注目している。しかし、2人とも臨界点を未知タスクの成功率約70〜80％に置いている。

このことは、彼らの言う「ChatGPTモーメント」が、今日のヒューマノイドロボットが見せる運動能力でも、大量の訓練を積んだ固定デモが99％以上の成功率を達成できることでもないことを意味する。本当の変化は、ロボットが固定されたシーンや固定された物体、特別な訓練への依存から抜け出し始めたときに起こるはずだ。

ロボットが真に「開眼」する時期、見解は2〜5年に集中

ちょうど1か月前の2026年世界人工知能大会（WAIC）では、あるラウンドテーブルで、同じ問いがエンボディドAI分野をリードする6人の起業家と研究者に投げかけられた。

7月19日、智元机器人と觅蜂科技が開催した「智启具身论坛」イベントの最後のラウンドテーブルセッションで、司会者は6人のゲストに非常に直接的な質問への回答を求めた。「ロボットのChatGPTモーメントまで、あと何年か？」

結果は驚くほど集中した。智元机器人のパートナーで、觅蜂科技の会長兼CEOである姚卯青氏の答えは2年、Sunday Robotics共同創業者兼CEOの趙子豪（Tony Zhao）氏は3年以内、テンセントのチーフサイエンティストでRobotics Xラボ責任者の張正友氏は3〜5年、Dyna Robotics共同創業者兼チーフサイエンティストの馬也騁氏は約4年、Physical Intelligenceリサーチサイエンティストの任至意氏は4〜5年、ジョージア工科大学教授の徐丹飛氏の答えは5年だった。

6人はまったく異なる企業や研究機関の出身で、技術的アプローチもそれぞれ異なるが、最終的な答えは全員が今後2〜5年に集中した。

なかでも姚卯青氏は最も楽観的な一人だ。同氏の判断は主にデータ規模の拡大に基づいている。姚氏の見方では、現在フィジカルAIのさらなる発展を妨げているのは「データ・表現・閉ループ」という3つの壁に集約できる。インターネット世界で安価に手に入る膨大なテキストや画像と比べ、ロボットの実際のインタラクションデータは高価なだけでなく、ロボット本体・タスク・シーンの違いによる制約も受ける。

本当に「箱から出してすぐ使える」ロボットには、オープンな自然言語の指示を理解し、一般的なタスクで約70〜80％の基礎成功率を達成することが求められる。これを実現するには、エンボディドAIには現在の水準をはるかに上回る規模のデータが必要だ。同氏は、将来的には億時間単位のデータ規模が必要になる可能性にも言及した。

つまり、姚氏の判断枠組みでは、「ChatGPTモーメント」はかなりの程度、スケーリングの問題だ。実世界データ、シミュレーションデータ、インターネット動画、一人称視点データ、ロボット配備後に還流するデータが徐々に規模を持てば、モデル能力もそれに伴って臨界点を越える可能性がある。

Sunday Roboticsの趙子豪氏は、時期を3年以内と見ている。複雑なロボット本体をひたすら追求するよりも、趙氏はロボットの「頭脳」がいつ本当に成熟するかをより重視している。Sunday Roboticsは長期的に家庭用ロボットと基盤モデルに注力しており、その考え方は、十分に強力なロボット基盤モデルが複雑な環境やタスクを理解できれば、比較的シンプルで低コストのグリッパーを使うロボットであっても、まず多くの現実的な問題を解決できる可能性があるというものだ。

張正友氏の見方ははるかに慎重だ。同氏の答えは3〜5年だが、この時間枠は業界が単にもっと大きなモデルが突然現れるのを待てばよいという意味ではないと強調する。大規模言語モデルが急速にスケールする能力を獲得できたのは、Transformerが比較的統一されたアーキテクチャとして定着したことが重要な前提の一つだ。しかし、ロボット知能には現時点で、それほど明確な技術的パラダイムはまだ形成されていない。

高次の認知、視覚認識、タスク計画から、リアルタイムの運動制御、身体フィードバック、安全反応に至るまで、1台のロボットは異なる時間スケールの問題を同時に処理する必要がある。そのため、真のブレークスルーには、データ収集、シミュレーション、実環境への配備、失敗からの回復、ハードウェア、モデルが一体となって進歩することが必要になる可能性が高く、大規模言語モデルのスケーリング則を単純に模倣するだけでは不十分だ。そうした理由から、張正友氏は判断を示す際、業界にはなお「地道に取り組む」姿勢が必要だと特に強調した。

Dyna Roboticsの馬也騁氏が示したのは約4年という時間だ。同氏の判断は、より商業展開の観点に基づいている。研究室のデモであれば、80％や90％の成功率は技術的なアプローチの有効性を示すのに十分かもしれない。しかし、実際にロボットを購入して働かせる工場やサービス企業にとって、その程度の信頼性ではまったく不十分なことが多い。したがって、エンボディドAIの「ChatGPTモーメント」は、ロボットがより多くのタスクを理解できるようになることだけでなく、実際の商業環境で受け入れられる信頼性の水準にまで到達することも意味する。

Physical Intelligenceの任至意氏は4〜5年と答えた。同氏は、Physical Intelligenceに加わる前は、この過程に10年かかるかもしれないと考えていたが、この1年でロボット基盤モデルが発展したことで、予想は明らかに早まったと述べた。

Physical Intelligence自体も、現在を代表する「ロボット基盤モデル」路線の企業の一つだ。その目標は、異なるロボット本体や異なるタスクをまたいだデータ学習を通じて、同一のモデルがより幅広い操作能力を徐々に獲得することにある。この考え方では、本当に重要なのは、モデルとデータの規模拡大に伴ってロボットの能力が継続的に創発し、最終的に大規模言語モデルのゼロショット転移に似た効果が生まれるかどうかだ。

ジョージア工科大学教授の徐丹飛氏の答えは最も保守的だが、それでも5年だ。特定のモデル路線に賭けることよりも、同氏はより基礎的な3つの指標に注目する。モデルが本当にデータから学習できるか、学習した能力が新しい環境やタスクに汎化できるか、そして推論速度が実世界でのロボットのリアルタイム操作の要件を満たせるか、という点だ。

私たちは王興興氏の「最速2～3年」、王鶴氏の「2028年」、そしてWAICの6人のゲストの回答を並べてみた。すると、ますますはっきりしてきた現象がある。具現知能（エンボディドAI）業界は、これまで遠い先のこととされてきた「汎用ロボット」の時間軸を、次の技術サイクルの中へと圧縮しつつあるのだ。

明確な歴史的節目か、それとも段階的に進むプロセスか？

ただし、これらの起業家や研究者は時期の予測が近づいているとはいえ、実際には同じ基準で「ChatGPTモーメント」を論じているわけではない。

王鶴が注目しているのは基盤モデル自体の能力の飛躍である。彼の定義では、ロボットが新しいタスクごとに専用の訓練を行う必要がなくなり、基盤モデルだけで日常的なタスクの70％〜80％をこなせるようになったとき、エンボディドAIはChatGPTに似た臨界点を越えたことになる。この基準が第一に測っているのは、モデルが特定タスクに特化した「専用知能」から、比較的強い移転能力を持つ汎用知能へと進めるかどうかである。

王興興が示す基準は、ロボットが実際に現実世界に入った後のパフォーマンスにより近い。彼も80％前後のタスク完了率を重要な閾値と見なしているが、強調しているのは、ロボットが見知らぬ環境に入った後、言語指示だけで大半のタスクをこなせるかどうかである。彼の見方では、今日の多くのロボットは十分に訓練された固定環境で高い成功率を達成できているが、本当に難しいのは、環境・物体・タスクが変化した後にモデルが機能し続けるかどうかである。

この二つの定義は似ているように見えるが、実際に注目している層は完全には同じではない。あるモデルが優れたゼロショット能力やタスク横断能力をすでに備えていたとしても、それを搭載したロボットが信頼できる生産ツールになったとは限らない。王興興はWRCで、宇樹は実際に自動車工場や自社工場にロボットを配備しており、簡単な組み立て作業もこなせるものの、現時点ではまだ大規模には展開していないと述べた。その重要な理由のひとつは、ロボットの効率が依然として人間より低く、新たなタスクに対しては再訓練が必要になることが多いためだ。

星海図CEOの高継揚はこの問題について、非常に興味深い二重の判断を示した。今大会のWRCで展示された産業ロードマップでは、星海図は2027年を技術面での「GPTモーメント」と明確に位置づけ、スケーリング則によって基盤モデルの能力が変曲点を越えた後、垂直分野の応用が加速的に開け始めるとしている。一方、実際の「商業化の変曲点」は2028年に置かれており、その後は2029年の深い浸透と2030年の広範な配備を経るとしている。

しかし、エンボディドAIがChatGPT式の歴史的節目を再現するかどうかについて、高継揚は「おそらくそのような瞬間は訪れない」と明確に述べた。その理由は、エンボディドAIはすべての人を対象とするソフトウェア製品を通じて一瞬で普及するのではなく、むしろTo Bの現場から始まり、業界ごと、タスクごとに段階的に解き放たれていく可能性が高いためだ。

一方で、技術的ブレークスルーと一般の人々による瞬間的な認識の両方が同時に起きることは難しい。GPTの爆発的な普及は、誰もがスマートフォンやパソコンで自ら体験できることに依存していたが、エンボディドAIが最初に実用化されるのは工場や倉庫などの生産側の現場であり、一般の人々には直感的に把握しにくい。そのため、業界の変曲点は「春雨が万物を静かに潤すように」徐々に現れ、人々がはたと気づいたときには、すでに至る所に存在していることになる。

この二つの言い回しは、完全には矛盾していない。高継揚は実際には、モデル能力の技術的変曲点と産業拡散の社会的変曲点を区別している。前者はある年に比較的明確に現れるかもしれないが、後者は現場での検証、量産、コスト低下、ビジネスモデルの成熟を経て、徐々に現実世界へ伝わっていく必要がある。

これも、ロボットと大規模言語モデルの最も顕著な違いのひとつである。2022年11月にChatGPTが公開された後、モデル能力の変化はほぼ同じ日に世界中のユーザーへ伝わった。ソフトウェア製品の場合、サーバーと計算能力が耐えられる限り、ユーザーを一人増やすコストは比較的限られており、ユーザーはウェブページを開いて質問を入力するだけで、モデル能力の飛躍を即座に実感できる。そのため、ChatGPTにおいては、技術的ブレークスルー、製品発表、大規模なユーザー採用が、ほぼ同じ時間枠に圧縮されていた。

ロボットは、現実の身体を通じて物理世界に入らざるを得ない。たとえある基盤モデルが明日突然、はっきりと高い汎化能力を獲得したとしても、その能力はチップ、センサー、関節、器用なハンド、アクチュエーターを介して実際の動作へ変換する必要があり、さらに精度、安定性、安全性、寿命、保守、コストといった一連の工学的課題にも直面する。

したがって、エンボディドAIは最終的に、2022年11月30日のような明確な歴史的節目を再現するのは難しいかもしれない。それはむしろ、一連の段階的に現れる臨界点として立ち現れる可能性が高い。将来、人々が振り返って「エンボディドAIのChatGPTモーメント」を特定しようとしても、誰もが認める単一の節目を見つけられるとは限らないだろう。