物理的 AI の次なる鍵は脳波か？技術の可能性を探る

物理 AI の最前線は、カリフォルニア州サンレアンドロの倉庫で行われる「ジャングラ」ゲームのようなものです。

その倉庫には、AI モデルの訓練に用いるデータツールを開発する企業 Encord が進出しています。同社ではロボットトレーナーを「パイロット」と呼んでいますが、アンソニー・セージャ氏もその一人です。彼はカメラ付きヘッドセットを着用し、崩れかけたタワーから木製のブロックを慎重に取り外しています。これはロボット訓練データの収集において決して珍しいことではありませんが、このヘッドセットには脳波を計測するセンサーも搭載されています。彼がブロックの塔を組み立てる過程で、その脳波が記録されるのです。

Encord は、ヒューマノイドや倉庫用ロボットの今後の最大の制約要因はモデルアーキテクチャではなく、現実世界での物理訓練データの圧倒的な不足にあると見なす、少数ながら増加しつつあるスタートアップの一つです。同社は既存のデータ管理を支援するだけでなく、自社で欠けているデータを製造するというビジネスモデルを構築しています。

セージャ氏が装着している脳波計測ヘッドセットは、ドイツの神経科学スタートアップである Zander Labs が開発したものです。同社は、エラーや意図、驚きといった精神状態を推定するために脳活動を測定することで、より有用なデータセットを作成できると考えています。Encord と Zander の共同作業は現在、試験段階にあります。Encord によると、まずは脳波タグ付きの初期データセットを構築し、顧客が持つロボットモデルに適用して性能向上を実証した上で、本格展開の可否を判断する計画です。

Zander の神経科学者で、この研究を監督しているルカス・ゲルケは、特定のタスクのどの時点でどれだけの脳活動が必要かというデータが、モデル開発者が「いつ最高性能のモデルを投入すべきか」を見極めるための手がかりになると語っています。

ロボット学習担当責任者のヴァイネース・ベルムラガンによれば、これはロボティクスにおけるデータボトルネックを解消するための取り組みにおいて、「最前線（ブリーディング・エッジ）」に位置するものです。OpenAI のロボットラボや倉庫自動化企業 Berkshire Grey で経験を積んだベテランである彼は、Encord 入社後は同社内部のデータ作成チーム構築を担当しています。

Encord は、機械学習ビジョンアプリケーションを開発する企業がデータを注釈付けし、モデルを評価できるよう支援するために設立されました。ベルムラガンによると、同社は多くの一流ロボット企業と取引していますが、名前は明かせないとのことです。これらの顧客がロボットの操作タスクにエンドツーエンドの学習を適用し始めた際、経営陣は単にデータを管理するだけでなく、自らトレーニングデータを作成しなければならないことに気づきました。「既存のデータでは足りないのです」とベルムラガンは言います。

生成 AI がチャットボットで成し遂げたことをロボットにも実現できるという賭けは、相変わらず同じ壁にぶつかり続けています。自動運転車メーカーは自前で実世界データを収集していますが、それをスケールさせるのは困難です。動画からの学習も可能ですが、実世界のデータには及ばない忠実度しか得られません。Velmurugan 氏によれば、この壁を突破するには YouTube の動画コレクションの約 5 倍規模のデータセットが必要だというのです。その規模感こそが、データ生成自体が研究課題からビジネスへと進化している理由を説明しています。

エゴセントリックなデータのニーズに応える

ロボット用「脳」を開発する企業は、現在主に 2 つのデータソースに注目しています。1 つ目は作業員が装着したカメラで撮影した「エゴセントリック（自己視点）」動画です。必要に応じて複数のカメラアングルや他の計測データを追加することもあります。もう 1 つは遠隔操作されたロボットから得られるデータです。

Encord は両方のアプローチを採用しています。同社は世界各地の工場からエゴセントリックデータを収集し、サンレアンドロにある自社工場では脳波のような新しいモダリティの実験や、特定のスキルに特化した微調整用データセットの収集を行っています。

TechCrunch が訪問した際、パイロットプロジェクトでは「リーダー・フォロワー」方式が採用されていました。これは 2 本のロボットアームをペアにした仕組みで、1 本は人間オペレーターが直接操作し、もう 1 本はその動きを模倣します。これによって、コーヒーポットからマグカップへ注ぐ（液体の揺れが激しい）や、ポーカーチップを積み重ねるといったタスクに関するデータを生成しています。「ヒューマノイド型ロボットを開発する企業は皆、こうしたデータセットを求めてきます」と Velmurugan 氏は語ります。

ストレージラックには、人工花の鉢植えや本、プラスチック製の野菜、猫用トイレとスコップ、ワイヤーの袋や束などが積み上げられていました。これらは家庭内タスク用のマニピュレータを訓練するための素材です。

この作業場の一つで、もう一人のパイロットであるソフィア・インファンテは、ロボットアームを使ってサーバー背面のイーサネットケーブルを抜き差ししていました。データセンターのオペレーターが望むような自動化ですが、ロボットが必要な精度で操作できればの話です。私は実際にコントローラーを握って操作を試みましたが、なぜまだ実現できていないのか理解できました。ピンセットのような形状は人間の指ほど器用ではなく、人間が当然のように持っている腕の自由度も欠いているのです。

Encord が開発中の新しいデータモダリティでは、前腕に装着したセンサー群を使って筋肉内の電気信号を検出します。通常、物体を操作する人間の手の動画撮影では手全体が映りきらないものですが、ヴェルムラガン氏はこれらのアームセンサーから、任意の瞬間における手の位置を 3D で描画する仕組みを構築したいと考えています。これにより、モデルに対するより堅牢な理解をもたらすことが期待されます。

Encord のデータセットには、「右手でボルトを締める」のように各動画の内容を物理的に記述した注釈が付けられています。これは LLM ベースのモデルが何が起こっているかを理解するのを助けるためです。ヴェルムラガン氏によると、こうした詳細な注釈は、特定のタスク訓練用の「質の低い自己データ（junky ego data）」に比べて 100 倍もの価値があり、その生産コストも 20 倍程度で済むため、机上の計算では非常に有利なトレードオフになるとのことです。

しかし「20 倍」という数字は、決して無視できない金額です。ここが最大の課題です。LLM の開発者が Stack Overflow やウェブ上のテキストを収集してモデルを構築した際、そのコストは最前線の研究機関にとってほぼゼロに等しかったからです。一方、物理的な AI の学習データを生成するには莫大な費用がかかります。これが「物理 AI を LLM と単純比較する」ことの限界でもあります。この種のデータは単に集めるだけでは不十分で、製造する必要があります。そのため、モデル構築における経済構造そのものが変わってしまうのです。

ベルムルガン氏は、業界全体で進歩が起きていると語ります。Encord が業界各社のプログラムを可視化できる立場にあるため、スタートアップから最前線の研究機関まで、何が有効で何がそうでないかを検証し、物理 AI モデルの改善に取り組んでいる様子を直接見ることができます。このように複数のロボット企業にまたがる視点を持つこと自体が、Encord の強みです。特定の顧客が気づくよりも早く、業界全体でどのデータ技術が注目されつつあるかを察知できるのです。

これにより、Encord の施設で行われている十数件のパイロットプロジェクトは常に活気に満ちています。インファント氏とセハ氏はともに、ニューラルネットワークの基礎を構築する新たな労働力の一部です。彼らは Encord 入社前に、AI データ注釈を手掛けるもう一つの企業である Scale で働いていました。

セハ氏は以前、廃棄物管理会社で働き、そこで技術への関心からロボットごみ選別機の稼働維持を担当していました。今では積み上げられたブロックが崩れ落ちるような難題に直面する中で、ロボットの学習タスクを解決する挑戦を楽しんでいます。「毎日新しい発見があります！」と彼は言います。

当記事内のリンクを通じてご購入いただいた場合、小規模な手数料をいただいております。ただし、これは当社の編集の独立性には一切影響しません。