ロボット基盤モデルが生成AIに手を持たせた — 言葉で動く機械はどこまで来たのか

生成AIに一日じゅう話しかけている割に、机の上の物はひとつも動いていない。コードは書けた、画像も出た、記事の下書きもできた。それでも、散らかった工具を棚に戻す作業だけは自分の手でやっている。

この落差を埋めようとしているのがロボット基盤モデルである。言語モデルが文章を生成し、画像モデルが絵を生成するように、ロボット基盤モデルは動作を生成する。出力がトークンではなく、関節の角度になっただけだと言えばそれまでだが、この「だけ」の中身がここ2年で大きく変わった。

そして2026年時点で重要なのは、これが研究室の話ではなくなったことだ。構造部品を自分で印刷して組む腕が公式に設計公開され、その腕で動く小型モデルが公開され、学習に必要なメモリの目安が公式文書として出ている。個人が試せる条件が、初めて三つとも揃った。

先に本記事の立場を書いておく。当サイトは実機を持っておらず、以下に書く手順を自分で回してはいない。したがって「動いた」とも「動かなかった」とも書かない。かわりに、公式ドキュメントとリポジトリに書かれている条件を、日本の読者が判断に使える形に整理する。数値には必ず出どころと日付を添える。すべて2026年9月2日時点の確認である。

出力がトークンではなく、関節の角度になった

まず言葉を整理する。ロボット基盤モデルは一般に VLA（Vision-Language-Action、視覚言語行動モデル） と呼ばれる。カメラ画像と自然言語の指示を受け取り、ロボットの関節をどう動かすかを出力する。

言語モデルとの違いは、出力の性質にある。文章生成なら、次の語を選ぶという離散的な選択の繰り返しで済む。ところが関節の角度は連続量で、しかも時間的に滑らかでなければ機械が壊れる。「だいたい合っている」出力が許されない点が、文章とは決定的に違う。

もうひとつの違いは、失敗の代償である。文章の生成に失敗しても読み返せば済むが、腕の動作に失敗すると物が落ちる。この非対称性が、後述する各社の設計判断のほとんどを説明する。

さらに厄介なのが、やり直しがきかない点だ。文章なら生成し直せば初期状態に戻るが、倒したコップは倒れたままである。モデルから見ると、自分の出力が次の入力を変えてしまう。ある瞬間に少しずれた動きをすると、次の瞬間に見える景色が学習データにない景色になり、そこからさらに大きくずれていく。誤差が累積するこの性質は、静止した入力に対して答えを返すだけの用途では起きなかったものだ。

そして時間の制約もある。文章の生成なら数秒待てるが、動作の指令は一定の間隔で出し続けなければ動きが途切れる。賢いモデルほど推論に時間がかかるという当たり前の事実が、ここでは直接の障害になる。「もっと大きいモデルを使えばよい」で解決しないのは、この締切のせいである。

言語から視覚へ、視覚から行動へ

系譜としては素直だ。大量のテキストで学習した言語モデルに画像を理解させたものが視覚言語モデルで、そこに行動の出力を足したものが VLA である。

重要なのは、行動を足すときに言語モデルで得た常識をそのまま持ち込めることだ。「赤いブロックを箱に入れて」という指示のうち、「赤い」「ブロック」「箱」「入れる」の意味は、ロボットのデータから学ぶ必要がない。ロボットのデータで学ぶべきは、その意味をどう関節の動きに変換するかだけになる。ロボットの実データが決定的に足りない現実に対して、この構造は効く。

どれくらい足りないのかを実感するには、量を比べてみるとよい。言語モデルはインターネット規模の文章で学習している。一方でロボットの動作データは、誰かが実際に機械を動かして記録しない限り一件も増えない。文章のように既に世界のどこかに溜まっているものではなく、一件ずつ人間の時間と引き換えに作るものである。この非対称が、ロボット側の研究をずっと縛ってきた。

だからこそ、視覚と言語の部分を既存のモデルから借りてくる設計が主流になった。腕のデータで学ぶ範囲を「意味の理解」ではなく「意味から動きへの変換」に絞れば、必要なデータ量が桁で下がる。実際、後述する小型モデルは数十件の実演から出発できると公式が案内している。数十件なら、個人が一晩で記録できる量だ。

人のまねから始める — 模倣学習という土台

ここで、教え方の話をしておく必要がある。ロボットに動作を教える方法は大きく二つある。試行錯誤させて成功に報酬を与える強化学習と、人がやってみせた動きをまねさせる模倣学習である。

個人が始める場合、現実的なのは後者だ。強化学習は原理的には強力だが、実機で試行錯誤させると壊れるか、時間が足りない。数千回の失敗を許せる環境が要る。一方の模倣学習は、人が腕を動かして見せた軌跡を記録し、同じ状況で同じ動きを出すようにモデルを訓練する。数十件の記録から始められるのはこの方式である。

弱点もはっきりしている。人が見せていない状況にはめっぽう弱い。少しずれた位置に物が置かれただけで対応できなくなることがある。前節で触れた誤差の累積とも相性が悪く、一度ずれ始めると人の実演にはなかった状態へ入り込んでいく。この弱点をどう埋めるかが、実演の集め方の設計そのものになる。

公式のガイドは、模倣学習の収束を「データセットに対して5〜10エポック」と見積もっている。何十万ステップも回す世界ではない。データの量より、データの中身が結果を決める種類の学習である。

四つの系統が、同じ問いに別の答えを出している

2026年9月時点で、主要な系統は四つある。それぞれ設計思想が違う。

一覧にすると同じ土俵に見えるが、実際には比べにくい。共通のベンチマークが存在しないからだ。本記事が性能の順位を書かないのはそのためで、順位を書いている記事があれば、その根拠が何かを確かめたほうがよい。

どこで考えるのをやめて、動くに渡すか

四つを並べて見えてくるのは、推論と制御をどこで切るかという一点に各社の判断が集約されていることだ。

GR00T は視覚言語モデルの後ろに拡散ヘッドを置く。言語で状況を理解する部分と、連続的な動作を生成する部分が層として分かれている。π0.5 は同じ分割をモデル内部の二つの経路として実装し、高レベルは離散的に、低レベルは連続的に扱う。Gemini Robotics は分割の単位がさらに大きく、空間推論と計画を ER 2 という別モデルに出している。

ここで注意したいのは、「拡散で動作を生成するのは π だけ」ではないことだ。GR00T も拡散ヘッドで連続動作を生成する。同様に「二層構成は GR00T の特徴」でもない。三系統とも何らかの分離を持っており、違うのは分離の位置と粒度である。この区別を曖昧にした比較表をよく見かけるので、読むときは注意したい。

SmolVLA だけは軸が違う。設計の新しさではなく、小ささそのものが設計判断になっている。4億5000万パラメータという規模は、他の系統と一桁以上違う。

まとめて出す — 行動チャンクという単位

推論に時間がかかるという締切の問題に対して、実装側が出した答えが行動チャンクである。1ステップぶんの指令を1回の推論で出すのではなく、これから数十ステップぶんの動きをひとまとまりで出す。

SmolVLA の公式資料は、入力として複数のカメラ視点、ロボットの現在の感覚運動状態、自然言語の指示の三つを受け取り、それらを条件として行動のチャンクを生成すると説明している。まとまりで出せば、次の推論が終わるまでの間も腕は動き続けられる。推論の遅さを、先読みで吸収する発想だ。

副作用もある。チャンクを長くとるほど推論の余裕は増えるが、その間の状況変化に反応できなくなる。掴もうとした物が動いても、出し終えた指令は最後まで実行される。反応性と滑らかさが真正面から衝突するため、チャンクの長さは調整すべき設定項目になっている。

実行の枠組み側にも、この問題への手当てがある。動作が遅いモデル向けに、実時間で先読みを繋ぎ直す実行方式が用意されており、公式は低出力なハードウェアで動かす場合の選択肢として案内している。大きいモデルを載せたいなら、この種の工夫が前提になる。

重みが手に入るかは、系統ごとにまるで違う

手を動かす立場からは、性能より先に確かめるべきことがある。そもそも重みが手に入るのか、という点だ。

GR00T、π 系、SmolVLA は重みが公開されている。Gemini Robotics 2 系は違う。ER 2 は Google AI Studio で使える一方、行動を出す VLA と On-Device のモデルは早期アクセスのパートナーに限られ、公式の案内も Trusted Tester Program への申し込み窓口があるだけだ。テスターの社数は公表されていない。つまり現時点で個人が手元の機械に載せられる系統ではない。能力の話とは別に、この事実だけで選択肢から外れる。

この「入手できるか」という軸は、言語モデルを選ぶときよりも重い意味を持つ。文章生成なら、重みが非公開でも API を叩けば使える。ところがロボットは違う。指令を出す間隔が短く、通信の遅延がそのまま動作の破綻につながるため、手元で推論できることが実用上の前提になる場面が多い。遠くのデータセンターに毎フレーム問い合わせる構成は、原理的には可能でも、机の上の腕には向かない。

公開されている側にも段階がある。ベースとなる事前学習済みの重みだけが公開されているのか、学習に使ったデータや後追い学習の手順まで揃っているのか。GR00T と π 系はベースのチェックポイントに加えて後追い学習の道具が公開されており、SmolVLA は微調整を前提とした基盤として配布されている。いずれも「そのまま完成品として動く」ものではなく、自分のデータで仕上げることが前提である。

コードは Apache 2.0、重みは別のライセンス

ここが本記事でいちばん強調したい点である。同じリポジトリの中で、コードと重みのライセンスが分かれている。

GR00T のモデルカードには「商用・非商用のいずれにも使える状態にある」と明記されている。π の重みに適用される Gemma 利用規約も商用利用自体は許すが、禁止用途ポリシーの順守と、再配布する際に制限条項を後続の利用者へ引き継がせる義務が付く。

そして SmolVLA である。モデルカードにも API の情報にも、リポジトリのファイル一覧にも、ライセンスの記載が見当たらない（2026年9月2日確認）。これを「オープンライセンス」と書いてはいけない。ライセンスが寛容だという意味ではなく、条件が明示されていないという意味だからだ。開発元の LeRobot はコードを公開しているが、コードのライセンスは重みには及ばない。

当サイトは2026年8月に、画像生成モデルのライセンスを要約で読んで誤解し、運用を変えた経緯がある。要約ではなく条項の本文を開くという手順は、ロボット側でも同じように要る。

個人の射程に入ったのは、必要なメモリが変わったから

「試せるかどうか」を決めるのは、結局のところ手元のGPUに載るかどうかである。LeRobot の公式ガイドは、方策をメモリの規模でグループ分けした表を出している。バッチサイズ8、最適化手法 AdamW での目安値だ。

この表の意味は明快だ。大型 VLA とマルチモーダル系は、消費者向けGPUの最上位でようやく届くかどうかである。24GBでもバッチ1で厳しいと公式が書いている。対して小型 VLA は16GB級で射程に入る。個人が触れる入口が SmolVLA 級に限られる理由はここにある。

ただし公式自身が、これらは「桁を見るための目安であって正確な予測ではない」とし、実際の値は解像度やデータ読み込みの条件で上下50%ぶれると明記している。この但し書きごと受け取るべき数字だ。メモリの見積り方そのものは手元のVRAMで動くモデルを見積もる — 量子化とメモリ計算の基礎（2026-08-25 公開）で扱った考え方がそのまま使える。

なお π 系の公式リポジトリは、推論で8GB超、LoRA を使った微調整で22.5GB超、フル微調整で70GB超という別の目安を出している。LeRobot の表と数字が違うが、測っている対象が違う（実装も、推論か学習かも異なる）。並べて比較してはいけない。

安い腕が出てきたことのほうが、実は大きい

モデルが小さくなっただけでは、机の上の物は動かない。腕が要る。

ここで効いてくるのが、構造部品を3Dプリントで作る設計が公式に公開されていることだ。設計元のリポジトリには部品表が置かれ、米ドルとユーロと人民元に加えて日本円の列がある。教示に必要な2本構成で44,530円、動く側の1本だけなら24,414円という数字が、換算ではなく元の表に書かれている。電源の日本での調達先として秋月電子が指定されてもいる。

この価格帯が意味するのは、失敗できるということだ。数百万円の産業用アームでは試行錯誤ができない。数万円なら、壊しても学べる。

もうひとつ、3Dプリンターを持っている読者にとって見逃せない事情がある。壊れる部分が自分で作り直せる部分だという点だ。構造部品が印刷物なのだから、割れたら刷り直せばよい。設計データが公開されているので、掴む部分の形を用途に合わせて変えることもできる。既製品のロボットでは、爪の形を変えたければ部品を買うか諦めるかの二択になる。

設計そのもののライセンスも確認してある。腕の設計を公開しているリポジトリは Apache 2.0 で、著作権表示を保てば商用利用も改変も許される。印刷した部品を使って何かを作り、それを売ることまで視野に入れられる。モデルの重みより、ハードウェアの設計のほうが権利関係が素直という、少し意外な状況になっている。

ヒューマノイドではなく、机の上の腕から

報道で目にするのは人型ロボットのほうが多い。実際 NVIDIA の基盤モデルは、実データと合成データ、そしてインターネット規模の動画からなるヒューマノイド向けのデータセットで学習したと説明されている。研究の最前線が人型に向かっているのは確かだ。

しかし個人が始める場所としては、机の上の腕のほうが合理的である。理由は四つある。自由度が少ないぶん学習が現実的であること。倒れて人にぶつかる危険がないこと。費用が二桁違うこと。そして同じ作業を何度も繰り返して評価できることだ。

最後の点は軽視されがちだが重要である。人型で「歩けた」を評価するには広い場所と長い時間が要る。机の上で「ペンを移した」を評価するのは、ペンを元に戻すだけでよい。評価の回転が速い環境こそ、学習の入口に向いている。

評価が一回ごとに高くつく

言語モデルの比較記事が大量にあって、ロボットの比較記事が少ない理由は能力の差ではない。評価の値段が違うからだ。

文章の生成なら、ベンチマークを自動で流して数千問を数分で採点できる。ロボットはそうはいかない。1回の試行ごとに人が物を元の位置に並べ直し、腕を初期姿勢に戻し、結果を目で見て記録する。先ほど触れた比較研究は、4つのモデルと4つのタスクの組それぞれに20回の実機試行を割り当て、合計320エピソードを回している。この数字は、研究として決して大きくない。それでも、人手で320回並べ直したということだ。

この制約は読者にもそのままかかる。自分の腕で方策を比べたいと思っても、統計的に意味のある比較には想像より時間がかかる。だから最初は比較を諦めて、ひとつの構成を通しで動かすことに集中したほうがよい。

できないことを先に言っておく

期待を正しい高さに置くために、うまくいっていない部分を先に書く。

低コストな腕の上で四つの方策を比較した研究がある（2026年6月投稿の査読前のプレプリントであることに注意）。著者らは4つのタスクそれぞれについて、モデルごとに20回の実機試行を行い、合計320エピソードを評価した。報告されている平均成功率は、π0.5 が56.25%、Wall-X が51.25%、ACT が33.75%、SmolVLA が32.5% である。

数字の受け取り方に注意がいる。半分前後というのは、二回に一回は失敗するということだ。しかもタスク差が激しく、色で選り分ける課題では ACT と Wall-X が0%、最も良い π0.5 でも10%にとどまっている。著者らは「実行の不安定さが支配的な失敗源」であり、回復する能力はアーキテクチャによって大きく違うと述べている。

つまり現状は、うまくいくタスクとまったく歯が立たないタスクが並存している段階である。ここを飛ばして「AIが家事をする」と書くと、実物に触れた読者を裏切ることになる。

まとめ — 何から見ればよいか

ロボット基盤モデルを追いかけるとき、見るべき順序は次のとおりだ。

1. 重みが手に入るか。性能の議論はそのあとでよい
2. コードと重みのライセンスが別か。別であることのほうが多い
3. 必要なメモリがどのグループか。16GB級で届くのは小型 VLA まで
4. どのタスクで測った成功率か。平均値だけを見ない

そして、この四つを確かめたうえでなお残る事実がある。動く腕が数万円で手に入り、その上で回るモデルの重みが公開されていて、必要なメモリの目安が公式文書として読める。この三つが同時に成立したのは、ごく最近のことだ。

ローカルで動かすAI全般の考え方はクラウドAIの請求書を見てローカルAIを考え直す — 手元のGPUで回る仕事と回らない仕事（2026-08-24 公開）に、機材の選び方はAIのために買うなら何から買うか — VRAMと電気代と騒音で決めるGPU選び（2026-08-29 公開）にまとめてある。用途からモデルを選び直す視点は2026年夏のAIモデルを選び直す — 用途と予算で決める逆引きガイド（2026-08-16 公開）が近い。

次に確かめるべきは、その腕を実際にいくらで、どうやって手に入れるかである。部品表を開くところから始めたい。

出典・参考

• NVIDIA「GR00T-N1.7-3B モデルカード」
• Physical Intelligence「openpi」
• Hugging Face「lerobot/smolvla_base」
• Google DeepMind「Gemini Robotics 2 brings whole body intelligence to robots」
• Hugging Face「Compute HW Guide for LeRobot Training」
• The Robot Studio「SO-ARM100 リポジトリ」

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.