AI が視覚と言語を解決、ロボットは統合問題へ

記事の3ポイント

1. 1

   オンデバイス型 VLA の実装成功

   Google DeepMind が公開した Gemini Robotics On-Device 2 は、テキスト指示とロボットの視点画像、自己位置情報を処理し、ネットワーク依存なくロボット上で動作する能力を実証している。

2. 2

   物理操作データの構造的不足

   言語モデルが人類の蓄積データで学習できるのに対し、ロボット制御には個別に実機とオペレーターを投入して生成されたデータが必要であり、これがスケーラビリティのボトルネックとなっている。

3. 3

   ベンチマークにおける脆弱性の露呈

   Libero ベンチマークなどでは高い成功率を示すものの、シーンに僅かな変化を加えるだけで成功率が 30% 以下に崩壊したり、ゼロになったりする現象が多数の論文で確認されている。