ロボットの「ChatGPTの瞬間」：AIと暗号化技術が推進する自動化革命

パンテラ・キャピタルのパートナー、ポール・ベラディタキット

編集者：xiaozou、Golden Finance

まとめ：

VLA のイノベーションと規模の経済により、手頃な価格で効率的かつ多用途なヒューマノイドロボットの開発が推進されています。
倉庫ロボットが消費者向けロボット市場に進出するにつれ、ロボットの安全性、資金調達、評価のメカニズムについてさらに調査する価値があります。
暗号化は、ロボットの安全性に対する経済的な保証を提供し、ドッキングインフラストラクチャ、レイテンシ、データ収集プロセスを最適化することで、ロボット産業を発展させます。

ChatGPTは、人工知能に対する人間の期待を完全に覆します。大規模言語モデルが外部のソフトウェア世界と相互作用し始めたとき、多くの人はAIエージェントこそが究極の形だと考えていました。しかし、「スター・ウォーズ」「ブレードランナー」「ロボコップ」といった古典的なSF映画を振り返ると、人間が本当に夢見ているのは、人工知能がロボットの形で物理世界と相互作用することであることに気づくでしょう。

PanteraCapitalは、ロボティクス分野における「ChatGPTモーメント」が到来すると考えています。まず、ここ数年における人工知能のブレークスルーが業界の状況にどのような変化をもたらしてきたかを分析し、次にバッテリー技術、レイテンシ最適化、データ収集の改善が将来の状況をどのように形作るのか、そして暗号化技術の役割を探ります。最後に、ロボットの安全性、資金調達、評価、教育が注力すべき垂直分野であると考える理由を説明します。

1. 変化の要素

（１）人工知能のブレークスルー

マルチモーダル大規模言語モデルの進歩により、ロボットは複雑なタスクを実行するために必要な「脳」を獲得しています。ロボットは主に視覚と聴覚を通じて環境を認識します。

従来のコンピュータービジョンモデル（畳み込みニューラルネットワークなど）は、物体検出や分類タスクには優れていますが、視覚情報を目的のある行動指示に変換するのは困難です。大規模言語モデルはテキストの理解と生成においては優れた性能を発揮しますが、物理世界を知覚する能力に限界があります。

ロボットは、視覚・言語・行動（VLA）モデルを通じて、視覚認識、言語理解、そして身体動作を統合コンピューティングフレームワークに統合することができます。2025年2月、Figure AIは汎用ヒューマノイドロボット制御モデル「Helix」をリリースしました。VLAモデルは、ゼロショット汎化機能とシステム1/システム2デュアルアーキテクチャにより、業界の新たなベンチマークを確立しました。ゼロショット汎化機能により、ロボットはタスクごとに繰り返しトレーニングを行うことなく、新しいシナリオ、新しいオブジェクト、新しい指示に瞬時に適応できます。システム1/システム2アーキテクチャは、高次推論と軽量推論を分離することで、人間のような思考とリアルタイム精度を兼ね備えた商用ヒューマノイドロボットを実現します。

（２）経済的なロボットが現実のものとなる

世界を変えるテクノロジーには共通点があります。それは、アクセシビリティです。スマートフォン、パソコン、3Dプリント技術はすべて、中流階級の人々にとって手の届く価格で利用できるようになりました。Unitree G1のようなロボットがホンダ・アコードやアメリカの最低年収34,000ドルよりも安価になった今、肉体労働や日常的な作業の大部分をロボットが担う世界を想像しても不思議ではありません。

（３）倉庫から消費者市場へ

ロボティクスは倉庫ソリューションから消費者分野へと拡大しています。世界は人間のために設計されています。人間は専門ロボットのあらゆる作業をこなすことができますが、専門ロボットは人間のあらゆる作業をこなすことはできません。ロボティクス企業は、工場向けロボットの製造から、より汎用性の高いヒューマノイドロボットの開発へと移行しています。その結果、ロボティクス技術の最先端は倉庫だけでなく、日常生活にも浸透していくでしょう。

コストはスケーラビリティにおける主要なボトルネックの一つです。私たちが最も懸念する指標は、時間当たりの総合コストです。これは、トレーニングと充電時間の機会費用、タスク実行コスト、そしてロボット購入コストの合計を、ロボットの総稼働時間で割ることで算出されます。競争力を確保するには、このコストは関連業界の平均賃金水準よりも低くなければなりません。

倉庫部門にロボットが完全に浸透するには、ロボットの1時間あたりの総合コストを31.39ドル未満に抑える必要があります。最大の消費者市場である私立教育・医療サービスでは、コストを35.18ドル以下に抑える必要があります。現在、ロボットはより安価で、より効率的で、より多用途なロボットへと進化しています。

2. ロボット工学における次のブレークスルー

（1）バッテリーの最適化

ユーザーフレンドリーなロボットにとって、バッテリー技術は常にボトルネックとなってきました。BMW i3などの初期の電気自動車は、バッテリー技術の限界により普及が難しく、バッテリー寿命が短く、コストが高く、実用性が低いという問題がありました。ロボットも同じジレンマに直面しています。ボストン・ダイナミクスのSpotロボットは、バッテリー1個あたりの駆動時間がわずか90分、Unitree G1のバッテリー駆動時間は約2時間です。ユーザーは2時間ごとに手動で充電することを望まないため、自律充電とドッキングインフラが重要な開発方向となっています。現在、ロボットの充電には、バッテリー交換と直接充電の2つの主要なモードがあります。

バッテリー交換モードは、消耗したバッテリーパックを素早く交換することで継続的な運用を可能にし、ダウンタイムを最小限に抑えます。現場や工場での運用に適しています。このプロセスは手動または自動で実行できます。

誘導充電はワイヤレス給電を利用します。充電完了までには長い時間がかかりますが、完全に自動化されたプロセスを簡単に実現できます。

（2）レイテンシ最適化

低遅延操作は、環境認識と遠隔制御の2つのカテゴリーに分けられます。認識とは、ロボットが環境を空間的に認識することを指し、遠隔制御とは、人間のオペレーターによるリアルタイム制御を指します。

Cintrini社の調査によると、ロボットの知覚システムは安価なセンサーから始まりますが、技術的な強みはソフトウェア、低消費電力コンピューティング、そしてミリ秒レベルの高精度制御ループの統合にあります。ロボットが空間ポジショニングを完了すると、軽量ニューラルネットワークが障害物、パレット、人間などの要素をマークします。シーンラベルが計画システムに入力されると、モーターコマンドが即座に生成され、足、車輪、またはロボットアームに送信されます。50ミリ秒未満の知覚遅延は人間の反射速度に相当し、この閾値を超える遅延はロボットの動きを不器用にします。したがって、意思決定の90%は、単一の視覚・言語・行動ネットワークを通じてローカルに行う必要があります。

完全自律ロボットは、高性能VLAモデルのレイテンシを50ミリ秒未満に抑える必要があります。一方、遠隔操作ロボットでは、操作者とロボット間の信号レイテンシが50ミリ秒を超えないことが求められます。VLAモデルの重要性は特にここで顕著です。視覚入力とテキスト入力をそれぞれ異なるモデルで処理し、それを大規模な言語モデルに入力すると、全体のレイテンシは50ミリ秒の閾値をはるかに超えてしまいます。

（3）データ収集の最適化

データ収集には、主に3つの方法があります。実世界ビデオデータ、合成データ、そしてリモートコントロールデータです。実世界データと合成データにおける最大のボトルネックは、ロボットの物理的挙動とビデオ/シミュレーションモデル間のギャップを埋めることです。実世界ビデオデータには、力のフィードバック、関節動作の誤差、材料の変形といった物理的な詳細が欠けており、シミュレーションデータには、センサーの故障や摩擦係数といった予測不可能な変数が欠けています。

最も有望なデータ収集方法は、人間のオペレーターがロボットを遠隔操作してタスクを実行する遠隔制御です。しかし、遠隔制御によるデータ収集には、人件費が主な制約要因となっています。

カスタムハードウェアの開発も、高品質なデータ収集のための新たなソリューションを提供しています。Meckaは、主流の手法とカスタムハードウェアを組み合わせることで、多次元の人間の動作データを収集し、ロボットのニューラルネットワークの学習に適したデータセットへと変換します。高速な反復サイクルと組み合わせることで、AIロボットの学習に不可欠な大量の高品質データを提供します。これらの技術パイプラインを組み合わせることで、生データからロボットへの展開までのプロセスを短縮できます。

3. 主要な探査分野

（１）暗号技術とロボットの統合

暗号化は、信頼できない当事者にロボットネットワークの効率向上を促すインセンティブを与えることができます。前述の主要分野に基づき、暗号化はドッキングインフラ、レイテンシ最適化、データ収集という3つの側面で効率向上につながると考えています。

分散型物理インフラネットワーク（DePIN）は、充電インフラに革命をもたらすと期待されています。ヒューマノイドロボットが自動車のように世界中を走り回るようになると、充電ステーションはガソリンスタンドのようにアクセスしやすくなければなりません。集中型ネットワークは巨額の初期投資を必要としますが、DePINはノードオペレーター間でコストを分散するため、充電施設をより多くの地域に迅速に拡張できます。

DePINは、分散インフラストラクチャを活用することで、リモート制御の遅延を最適化することもできます。地理的に分散したエッジノードのコンピューティングリソースを集約することで、リモート制御コマンドをローカルまたは最も近い利用可能なノードで処理し、データ伝送距離を最小限に抑え、通信遅延を大幅に削減できます。ただし、現在のDePINプロジェクトは、主に分散ストレージ、コンテンツ配信、帯域幅共有に焦点を当てています。ストリーミングメディアやIoTにおけるエッジコンピューティングの利点を実証するプロジェクトはいくつかありますが、ロボット工学やリモート制御の分野にはまだ広がっていません。

リモートコントロールはデータ収集の最も有望な方法ですが、中央集権的な組織が専門家を雇用してデータ収集を行うには莫大なコストがかかります。DePINは、暗号トークンを用いて第三者にリモートコントロールデータの提供を促すことで、この問題を解決します。Rebornプロジェクトは、リモートオペレーターのグローバルネットワークを構築し、彼らの貢献をトークン化されたデジタル資産に変換することで、許可なしに分散型システムを構築します。参加者は利益を得るだけでなく、ガバナンスに参加したり、AGIロボットのトレーニングを支援したりすることもできます。

（２）安全は常に最重要事項である

ロボット工学の究極の目標は完全な自律性を実現することですが、映画「ターミネーター」シリーズが警告しているように、人間が最も望まないのは、自律性がロボットを攻撃兵器に変えてしまうことです。大規模言語モデルの安全性は注目を集めており、これらのモデルが物理的な行動をとる能力を持つ場合、ロボットの安全性は社会受容の重要な前提条件となります。

経済的安全性は、繁栄するロボットエコシステムの柱の一つです。この分野の企業であるOpenMindは、暗号証明を用いてデバイスのIDを認証し、物理的な存在を確認し、リソースを取得する分散型マシンコーディネーションレイヤーであるFABRICを構築しています。単純なタスク市場管理とは異なり、FABRICはロボットが中央集権的な仲介者に依存することなく、ID情報、地理的位置、行動記録を独自に証明することを可能にします。

行動制約とID認証はオンチェーンメカニズムを通じて強制され、誰でもコンプライアンスを監査できます。安全基準、品質要件、地域の規制を満たすロボットには報酬が与えられ、違反者は罰金または失格となります。これにより、自律マシンネットワークにおける説明責任と信頼のメカニズムが確立されます。

Symbioticなどのサードパーティの再ステーキングネットワークも同等のセキュリティ保証を提供できます。ペナルティパラメータシステムはまだ改善の余地がありますが、関連技術は実用段階に入っており、近いうちに業界のセキュリティガイドラインが策定され、ペナルティパラメータがこれらのガイドラインに従ってモデル化されることを期待しています。

実装例:

ロボット企業がSymbioticネットワークに参加。
検証可能なペナルティパラメータの設定（例：「2500ニュートンを超える人間接触力を適用する」）
ステーカーは、ボットがパラメータに準拠していることを確認するためにデポジットを提供します。
違反があった場合、保証金は被害者への賠償金として使われます。

このモデルは、企業がセキュリティを最優先にするよう奨励するだけでなく、誓約基金プールの保険メカニズムを通じて消費者の受け入れを促進します。

Symbiotic チームのロボット工学分野に関する洞察は次のとおりです。

Symbiotic Universal Staking Frameworkは、共有モデルまたは独立モデルを問わず、経済的セキュリティの保証を必要とするあらゆる分野にステーキングの概念を拡張することを目的としています。その適用シナリオは保険からロボット工学まで多岐にわたり、個々のケースに合わせた設計が求められます。例えば、ロボットネットワークをSymbioticフレームワークのみに基づいて構築することで、ステークホルダーはネットワークの完全性に対する経済的保証を提供できるようになります。

4. ロボット技術スタックのギャップを埋める

OpenAIはAIの普及を推進してきましたが、ChatGPTの成功の基盤はすでに築かれています。クラウドサービスによってモデルのローカルコンピューティング能力への依存が打破され、Huggingfaceはモデルのオープンソース化を実現し、KaggleはAIエンジニアに実験プラットフォームを提供しました。これらの漸進的なブレークスルーは、AIの普及に相乗的に貢献しました。

AIとは異なり、ロボティクス分野は資金が限られているため、参入が困難です。ロボットの普及を実現するには、開発のハードルをAIアプリケーション開発と同等の利便性まで下げる必要があります。資金調達メカニズム、評価システム、教育エコシステムの3つの側面において改善の余地があると考えています。

ロボット工学分野において、資金調達は大きな課題です。コンピュータプログラムを開発するには、コンピュータとクラウドコンピューティングのリソースさえあれば十分ですが、完全に機能するロボットを開発するには、モーター、センサー、バッテリーなどのハードウェアを購入する必要があり、そのコストは10万ドルを優に超えることもあります。このハードウェアの特性により、ロボット開発はAIよりも柔軟性が低く、コストも高くなります。

ロボットの実世界シナリオにおける評価インフラはまだ初期段階にあります。AI分野では明確な損失関数システムが確立されており、テストは完全に仮想化されています。しかし、優れた仮想戦略をそのまま実世界における効果的なソリューションに変換することはできません。ロボットが反復的な最適化を達成するためには、多様な実世界環境で自律戦略をテストするための評価設備が必要です。

これらのインフラが成熟すると、優秀な人材が流入し、ヒューマノイドロボットはWeb2の爆発的な成長を繰り返すでしょう。暗号ロボティクス企業OpenMindはこの方向へ進んでいます。同社のオープンソースプロジェクトOM1（「ロボット用Android」）は、未加工のハードウェアを、経済性を考慮し、アップグレード可能なインテリジェントエージェントへと変貌させます。視覚、言語、動作計画モジュールは、携帯電話アプリのようにプラグアンドプレイで利用可能で、すべての推論手順は平易な英語で表示されるため、オペレーターはファームウェアに触れることなく動作を監査または調整できます。この自然言語推論機能により、新世代の優秀な人材がロボティクス分野にシームレスに参入できるようになり、オープンソース運動がAIを加速させたように、ロボティクス革命を刺激するオープンプラットフォームへの重要な一歩を踏み出すことになります。

人材密度は業界の方向性を決定します。ロボット工学分野における人材育成には、体系的なインクルーシブ教育システムが不可欠です。OpenMindのナスダック上場は、インテリジェントマシンが金融イノベーションと体育の両方に参画する新しい時代の幕開けを告げるものです。OpenMindとRobostoreは共同で、米国のK-12公立学校で、Unitree G1ヒューマノイドロボットをベースにした初の一般教育コースを開始すると発表しました。コース設計はプラットフォームに依存せず、様々なロボット形態に適応できるため、生徒に実践的な操作機会を提供します。この前向きな兆候は、今後数年間のロボット教育リソースの充実度がAI分野に匹敵するという私たちの判断を裏付けています。

5. 今後の見通し

視覚・言語・行動（VLA）モデルの革新と規模の経済性により、手頃な価格で効率的かつ多用途なヒューマノイドロボットが実現しました。倉庫ロボットが消費者市場に進出するにつれ、安全性、資金調達モデル、評価システムが重要な研究分野となります。私たちは、暗号化技術が、安全性に対する経済的な保証の提供、充電インフラの最適化、そしてレイテンシ性能とデータ収集パイプラインの改善という3つの道筋を通じて、ロボット開発を推進すると確信しています。