Ai2: 仮想シミュレーションデータで物理AIを構築

**タイトル: Ai2: 仮想シミュレーションデータで物理AIを構築** 仮想シミュレーションデータが、Ai2のMolmoBotのような取り組みを主導として、企業環境全体における物理AIの開発を推進しています。 ハードウェアに現実世界との相互作用を指示することは、これまで非常に高価で手動収集された実演データに依存してきました。汎用マニピュレーションエージェントを構築する技術プロバイダーは通常、大規模な実世界でのトレーニングをこれらのシステムの基礎として位置づけています。 参考までに、DROIDのようなプロジェクトでは、13機関で収集された76,000件の遠隔操作軌跡が含まれており、これは約350時間の人的労力に相当します。Google DeepMindのRT-1では、人間のオペレーターが17か月かけて収集した130,000エピソードが必要でした。この独自の手動データ収集への依存は、研究予算を膨張させ、能力を少数のリソース豊富な産業研究所に集中させています。 「私たちの使命は、科学を前進させ、人類が発見できる領域を広げるAIを構築することです」と、Ai2のCEOであるAli Farhadiは述べています。「ロボティクスは基礎的な科学ツールとなり、研究者がより速く動き、新たな問いを探求する手助けとなる可能性があります。そのためには、現実世界で汎化するシステムと、世界中の研究コミュニティが共同で構築できるツールが必要です。シミュレーションから現実への転移を実証することは、その方向への意味ある一歩です。」 Allen Institute for AI (Ai2) の研究者たちは、MolmoBotという、完全に合成情報でトレーニングされたオープンなロボットマニピュレーションモデルスイートにより、異なる経済モデルを提案しています。MolmoSpacesと呼ばれるシステム内で手続き的に軌跡を生成することで、チームは人間による遠隔操作の必要性を回避します。 付随するデータセット「MolmoBot-Data」は、180万件の熟練マニピュレーション軌跡を含んでいます。このデータは、MuJoCo物理エンジンと積極的なドメインランダマイゼーションを組み合わせ、物体、視点、照明、動的特性を変化させることで生成されました。 「ほとんどの手法は、より多くの実世界データを追加することで、シミュレーションと現実のギャップ（sim-to-real gap）を埋めようとします」と、Ai2のPRIORチームディレクターであるRanjay Krishnaは述べています。「私たちは逆の賭けをしました。シミュレートされた環境、物体、カメラ条件の多様性を劇的に拡大すれば、ギャップは縮小するというものです。私たちの最新の進展は、ロボティクスの制約を手動実演データの収集から、より優れた仮想世界の設計へと移行させます。これは私たちが解決できる問題です。」 **物理AIのための仮想シミュレーションデータ生成** 100台のNvidia A100 GPUを使用し、このパイプラインはGPU時間あたり約1,024エピソードを生成しました。これは実時間1時間ごとに、130時間以上のロボット経験に相当します。 実世界のデータ収集と比較して、これは約4倍のデータスループットに相当し、デプロイメントサイクルを加速させることで、プロジェクトの投資収益率（ROI）に直接影響を与えます。 MolmoBotスイートには、2つのプラットフォーム（Rainbow Robotics RB-Y1モバイルマニピュレータとFranka FR3テーブルトップアーム）で評価された、3つの異なるポリシークラスが含まれています。主要モデルはMolmo2ビジョン言語バックボーン上に構築され、複数タイムステップのRGB観測データと言語指示を処理して動作を決定します。 **Ai2のMolmoBotによるハードウェア柔軟性** リソースが制約されるエッジコンピューティング環境向けに、研究者はパラメータ数を抑えた軽量なトランスフォーマーポリシー「MolmoBot-SPOC」を提供します。「MolmoBot-Pi0」は、Physical Intelligence社のπ0モデルのアーキテクチャに合わせてPaliGemmaバックボーンを使用し、直接的な性能比較を可能にします。 物理テストにおいて、これらのポリシーは、未見の物体や環境を含む実世界タスクに対して、一切の微調整なしでゼロショット転移を実証しました。 テーブルトップでのピックアンドプレース評価では、主要なMolmoBotモデルが79.2%の成功率を達成しました。これは、大規模な実世界実演データでトレーニングされたモデルπ0.5（成功率39.2%）を上回る結果です。モバイルマニピュレーションでは、ポリシーは接近、把持、ドアを全可動範囲にわたって引くなどのタスクを正常に実行しました。 これらの多様なアーキテクチャを提供することで、組織は単一の独自ベンダーエコシステムや大規模なデータ収集インフラに縛られることなく、高性能な物理AIシステムを統合できます。 トレーニングデータ、生成パイプライン、モデルアーキテクチャを含むMolmoBotスタック全体をオープンリリースすることで、内部監査や適応が可能になります。物理AIを探求する誰もが、コストを管理しつつ、高性能なシステムのシミュレーションと構築のためにこれらのオープンツールを活用できます。 「AIが真に科学を前進させるためには、進歩がクローズドなデータや孤立したシステムに依存してはなりません」と、Ai2のCEOであるAli Farhadiは続けます。「世界中の研究者が共同で構築し、テストし、改善できる共有インフラが必要です。これが、私たちが考える物理AIの前進の道です。」 **関連記事: 危険な環境向けスマートロボット提供の新パートナーシップ** ![image](https://www.artificialintelligence-news.com/wp-content/uploads/2026/03/image-5.png) 業界リーダーからAIとビッグデータについてもっと学びたいですか？アムステルダム、カリフォルニア、ロンドンで開催される「AI & Big Data Expo」をご覧ください。この包括的なイベントはTechExの一部であり、「Cyber Security & Cloud Expo」を含む他の主要テクノロジーイベントと同時開催されます。詳細はこちらをクリックしてください。 この投稿「Ai2: Building physical AI with virtual simulation data」は、最初にAI Newsに掲載されました。

Ai2: 仮想シミュレーションデータで物理AIを構築

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト