ロボットの終焉：英伟达のJim Fan氏がVLA時代終了を宣言し、WAM登場へ

Jim Fan は英伟达のロボットおよび AI 研究グループ（GEAR Lab）の責任者であり、過去数年間は GR00T 人形ロボットの基礎モデルとして VLA（Vision-Language-Action：視覚・言語・動作）アーキテクチャを推進してきました。彼は直近の Sequoia AI Ascent 2026 で 20 分間の講演を行い、そのテーマは『Robotics' End Game』でした。そして最初の行動として、彼自身が半年前まで推進していた GR00T を含む VLA ルートが時代遅れになったと宣言しました。

これに代わる新しいパラダイムは世界動作モデル（World Action Model：WAM）と呼ばれ、その代表作は英伟达 が 2 月に発表した DreamZero です。彼はこのアプローチを「基盤の同型性」と呼びました。これは LLM（Large Language Model：大規模言語モデル）が歩んできた 3 つのステップ（事前学習→アライメント→強化学習）を模倣し、言語モデルに代わってビデオ世界モデルを使用し、遠隔操作データに代わって人間の第一人称視覚データを採用することで、最終的には 2040 年までにロボット自身が次世代の自分自身を設計・製造できるようにするというものです。彼はこの見通しに対して 95% の確信を持っています。

講演元：Sequoia Capital AI Ascent 2026、2026 年 4 月 30 日公開。原動画：https://www.youtube.com/watch?v=3Y8aq_ofEVs

ポイントサマリー

• VLA ルートの幕引き：Jim は公然と VLA ルートが時代遅れになったと宣言し、新パラダイムを世界動作モデル（WAM）と呼びました。代表作は DreamZero（140 億パラメータ）です。

• 遠隔操作データとの訣別：遠隔操作には物理的な上限があり、予測では今後 1〜2 年でほぼゼロに低下し、センサ化された人間データに置き換わるとされています。

• ニューラルスケーリング法則：EgoScale は 21,000 時間の人間の第一人称視覚データで事前学習を行い、チームは器用な操作におけるニューラルスケーリング法則（R² = 0.998）を発見しました。

• ニューラルシミュレータ：Dream Dojo は 44,000 時間の人間動画を用いて訓練され、物理エンジンを経由しない完全なニューラルシミュレータを構築しています。

• 終局へのカウントダウン：2040 年におけるロボット終局（物理的自動研究）の達成を予測し、その信頼度は 95% です。

DGX-1 の署名から「基盤の同型性」へ

Jim はある過去の出来事をもって講演を締めくくりました。2016 年の夏、当時の OpenAI のオフィスで、黄仁勲は特徴的な革ジャンを着て、大きな金属製のトレイを抱えて入ってきました。そこにはこう書かれていました。「Elon と OpenAI チームへ、計算と人類の未来へ」。それは世界初の DGX-1 でした。

当時、Jim は OpenAI の最初のインターン生であり、すぐに列に並んでその上に署名しました。「当時は自分が何に署名しているのか全く知りませんでした」。隣で一緒に署名していたのは Andrej Karpathy です。この機械は現在、Computer History Museum で収蔵されています。Jim は付け加えて、「自分も恐竜のように老いたと感じます」と語りました。

**

*注：Jim Fan（范麟熙）は英伟达のロボットおよび AI 担当ディレクター、フェローであり、GEAR Lab と GR00T 人形ロボットプロジェクトを率いています。2016 年に OpenAI でインターン生だった際のメンターは Ilya Sutskever と Andrej Karpathy で、その後 Stanford で Fei-Fei Li の元で博士号を取得しました。**

この物語は、彼の核心となるフレームワークを紹介するためにあります。彼はイリヤの「あなたが深層学習を信じれば、深層学習もあなたを信じる」という言葉を引用し、LLM はたった 3 回の段階的飛躍と 6 年の時間で今日に至ったと述べました：GPT-3 の事前トレーニング、InstructGPT における監督微調整、o1 スタイルの強化学習、そして自動研究へと至る道です。

そこで彼は一つの決断を下しました。他者の成果を踏襲し、名前を変えて「底層同構（the Great Parallel）」と呼ぶことにしたのです。「文字列の次の状態をシミュレートする」ことを「物理世界の次の状態をシミュレートする」ことに変え、動作微調整によってロボットに必要な部分に収束させ、最後に強化学習が最後の 1 キロメートルを完走させるというアプローチです。

**

勝てないなら仲間になる。

（"If you can't beat them, join them."）

VLA はどうなった：パラメータが言語に偏っている

過去 3 年間、ロボット分野の主流アーキテクチャは VLA**（Vision-Language-Action、視覚 - 言語 - 動作モデル）でした。英伟达（NVIDIA）自社の GR00T や Physical Intelligence の π0 もこのカテゴリに属します。

Jim は構造的な問題を指摘しました。実はこれらのモデルは LVA と呼ぶべきであり、その理由はパラメータの大部分が言語に集中しているからです。言語が一等公民であり、視覚が次点、動作は最下位となっています。

**

VLA は知識や名詞のエンコーディングには優れていますが、物理法則や動詞の扱いが苦手です。重心が誤った場所にあります。

彼は RT-2 の元論文にある古典的なデモを例に挙げました：ロボットにコカ・コーラの缶をテイラー・スウィフトの写真の隣に押すように指示するものです。モデルはテイラー・スウィフトを見たことがありませんが、それを一般化して対応できます。問題は、一般化されるのが名詞（テイラー・スウィフトを認識できる）だけであり、動詞（どのように押すか、どの角度を探すか、どれだけの力を使うべきか）ではない点です。

AI のゴミ動画から DreamZero へ

VLA が答えではないなら、次の事前トレーニングのパラダイムは何でしょうか？その結果、それは動画モデルであることが分かりました。これらのモデルは内部で物理世界の次の状態をシミュレートすることを学んでいます。

これらの世界モデルを実用的なものにするには、動作微調整を行う必要があります。「ありとあらゆる未来」の重ね合わせ状態を、実際のロボットにとって意味のある動作軌跡へと収束させるのです。

英伟达（NVIDIA）の答えは DreamZero**です。これは実行前に数秒間未来へ「夢見る」ことで、その後に行動する新しい戦略モデルです。DreamZero は次のフレーム画像と次の動作を同時にデコードします。ここで初めて視覚と動作が真に「一等公民」となったのです。

Jim は率直に、DreamZero が現在、すべてのタスクで 100% の信頼性を達成できていないことを認めています。「それは GPT-2 の段階に相当するもので、方向性は正しいのですが、まだパフォーマンスが十分に安定しておらず、信頼性に欠けます」と。彼は新しいアーキテクチャにWAM（World Action Models：世界動作モデル）という名前をつけました。

**

私たちの親愛なる VLA のために、一瞬の黙祷を捧げましょう。その歴史的な使命は完了しました。安らかに眠れ。万歳、世界動作模型よ。

*注：DreamZero の論文（arXiv 2602.15922）は 2026 年 2 月に発表され、パラメータ数は 140 億個です。Wan2.1 動画拡散モデルをベースにしています。重要な制限事項として、この 14B モデルでは、ループ制御を 7Hz に抑えるためにシステムレベルの最適化を 38 倍実施し、GB200 ハードウェアが必要となります。そのため、導入のハードルは極めて高いです。

*

データ革命：テレオペレーションから「ロボットが参加しないデータ収集」へ

過去三年間は、テレオペレーション（teleop：遠隔操作）の黄金時代でした。しかし、テレオペレーションには明確な上限があります。それは、一台のロボットが一日に 24 時間稼働できるという事実です。

「私が一日 24 時間と言ったのは、自分自身を欺くためです。実際には、一日で 3 時間もこなせれば上出来でしょう。さらに、その日の『ロボットの神様』が機嫌よく許可してくれるかどうかにもよります——なぜなら、これらの機械は毎日不機嫌になったり故障したりするからです」

この状況を打破するには、ロボットの末端実行器（エンドエフェクタ）を直接人間の手に装着し、データを収集することで、ロボット本体そのものを完全に迂回させることです。

英伟达の解決策は DexUMI**です。これは外骨格装置で、これを用いて収集したデータから学習させたロボット戦略は、テレオペレーションデータを一切含まない状態で完全自律的に動作できます。

**

ロボットたちは喜んでいます。なぜなら、ついにデータ収集に参加する必要がなくなったからです。

EgoScale：21,000 時間分の人間動画とスケーリング則

英伟达は EgoScale**をリリースしました。ここでの訓練データの 99.9% は、人間の第一人称視点動画（egocentric video）から得られています。

事前学習には、ロボットデータを一切含まない 21,000 時間の野外人間データが使用されました。動作微調整フェーズでは、高精度なモーションキャプチャーグローブのデータ 50 時間と、テレオペレーションデータ 4 時間のみを使用しました——これらを合計しても訓練総量の 0.1% に満たないほどです。

最も重要な発見は「器用操作におけるニューラルスケーリング則」です。事前学習に投入された計算時間（GPU 時間）と、最適な検証損失の間には、極めて明確な対数線形関係が存在し、決定係数 R² は驚異的な 0.998 に達しました。

Jim は、すべてのデータ戦略の拡張性を比較しました。テレオペレーションは最も拡張性の低い領域に位置し、第一人称動画であれば、FSD（Full Self-Driving：完全自動運転）式のようなデータファインウェールを回転させることで、1 年以内に 1,000 万時間に到達できると述べています。

Dream Dojo：物理エンジンを使わない神経シミュレータ

ロボット分野でも、強化学習（RL）のために数百万のプログラミング環境を構築するために巨額の資金が必要ですが、実機での学習（real-to-sim-to-real）だけでは不十分です。

次のステップとなるのが Dream Dojo です。物理エンジンに頼るのではなく、動画世界モデルそのものを完全な神経シミュレータへと変換します。入力は連続的な動作信号で、リアルタイムに次フレームの RGB 画像とセンサー状態を出力します。物理方程式もグラフィックエンジンもなく、完全にデータ駆動型です。

**

あなたが目にする画面のピクセルの一つも、現実のものではありません。

「現在、計算資源が環境であり、データです。あるいはある賢者の言葉に借りれば、『多くを買うほど、より多くを節約できる』。このメッセージは私の上司によって承認されました。」

終焉へのロードマップ：2040 年までの三つの達成目標

Jim はロボットの残された道程を、解くべき三つの技術ツリー（テクノロジーツリー）の達成目標に例えました。

• 物理的チューリングテスト：今後 2〜3 年で、タスクを実行しているのが人間かロボットかを区別できなくなるでしょう。

• 物理 API：ソフトウェアと大規模言語モデルを用いてロボットの構成をオーケストレーションし、「暗黙の工場（ダークファクトリー）」や自動化された科学研究所を構築します。

• 物理的自動研究：ロボットが自ら設計・改良し、次世代のロボットを製造するようになります。

タイムラインについては、AI が AlexNet（2012 年）からエージェント（2026 年）へと進化するために 14 年を要したことに例えています。さらに 14 年加算すれば、ちょうど 2040 年となります。

私たちの世代は、地球を探索する大航海時代には生きたる遅すぎたし、宇宙を探索するために星々へ到達するには生きたる早すぎました。しかし、私たちはちょうどロボットという難問に挑む時代に生まれました。

5 つの質問への即答

Q：VLA（Vision-Language-Action）モデルは本当に死んだのか？**

A：講演の文脈では死にました。しかし、英伟达（NVIDIA）自社が 2026 年 4 月に発表した最新の GR00T N1.7 の論文には依然として「VLA モデル」と明記されています。パラダイムシフトは社内でも完了していません。

Q：DreamZero は現在、生産環境で利用可能ですか？

A：いいえ。Jim 自身もこれを「おそらく GPT-2 の段階だ」と述べています。論文によると、14B パラメータのモデルでループ制御を実行しても 7Hz に過ぎず、かつ GB200 を必須としています。

Q：遠隔操作（テレオペレーション）は本当に不要になるのでしょうか？

A：Jim は今後 1〜2 年でほぼゼロになると予測しています。しかし、デバイスをつけて家事を行うことは運転のような必須要件ではなく、業界に既に大量に存在する遠隔操作インフラが一夜にして廃棄されるわけではありません。

Q：器用な操作のスケール則（スケーリング法則）は何を意味するのか？

A：もし R² = 0.998 という関係性が持続的に成立するなら、人間の動画データを追加することでロボットの器用さが予測可能に向上することを意味します。これは今回の講演における最も核心的な実証的根拠です。

Q：英伟达（NVIDIA）はこの棋譜で何を得るのか？

A：WAM（Whole-body Action Model）と神経シミュレータは計算資源を極めて多く必要とします。Jim の「多くを買うほど、より多くを節約できる」という言葉は、パラダイムシフトが本質的にチップの販売に有利に働くという商業意図を直接反映しています。

結び：注目すべき三つの懸案事項

追跡する価値がある三つの事柄は以下の通りです。

• DreamZero が「GPT-2 の段階」をどう乗り越えるか：今後 12〜18 ヶ月で極限パラメータを安定化できるかが、このパラダイムの真の威力を決めます。

• NVIDIA 内部における VLA パラダイムからの転換のタイミング：製品更新におけるアーキテクチャの実質的な進化を観察する。次世代もなお VLA であれば、本講演はより概念的なマーケティングに傾くだろう。

• 第一人称ビデオデータのフライングホイールの担い手：NVIDIA 自身にはコンシューマー向けハードウェアの入口がないため、誰（例えば Apple や Meta など）が実際にこの千万時間規模のデータを回転させることができるかを注視する必要がある。