ヒューマノイドロボット企業のFigureが、Indexというギグエコノミー型マーケットプレイスを立ち上げた。ユーザーはカメラを装着した作業者を雇って仕事をさせることができる。目的は、いずれそうした仕事をこなすロボットを訓練するためのデータ収集を大規模に拡大することだ。
ブレット・アドコックCEOによると、同社はすでに、家事や企業向けギグワークを行う自分の姿を撮影した人々に1500万ドル（約23億1000万円）を支払っている。Figureによれば、Indexは現在、毎秒30分相当の動画アップロードを処理しており、1000時間当たり373種類のタスク、1146個のユニークな物体、116種類の環境に関するデータを取得している。Indexアプリはすでに26万4000ダウンロードを記録し、週間アクティブユーザーは4万4000人に達している。その結果、108カ国からFigureのデータセンターへ1600万本の動画がアップロードされた。
同社はギグワーカーを「クリエイター」と呼び、彼らの一人ひとりが「まだ見ぬ環境、見慣れぬ物体、そしてタスクをこなす独自のクセを持ち込む。これはあらかじめ定義することがほぼ不可能なロングテール的なばらつきである」と説明している。
動画処理には多額の費用がかかる。Figureは今後12カ月間でデータと計算資源に10億ドル（約1540億円）を費やす見込みだと、アドコックはX上で付け加えた。
Figureが賭ける3つの大勝負
Figureの10億ドル（約1540億円）は、3つの大きな賭けにつぎ込まれる。
第一の賭けは、ボリュームと多様性こそがすべてだ、というものだ。十分に多様な人々が、十分に多様な部屋で、十分に多様なことをする映像を十分に集めれば、汎化可能な学習上の優位性が得られる。この主張はもっともらしいが、言語モデルで確立されているようなロボティクス版のスケーリング則を、誰もまだしっかりと確立してはいない。テキストにおいてトークン数の増加がかなり確実に能力向上を買うように、手作業の操作でも同じことが起こるだろうか。
見極めることになる。
第二の賭けは、受動的な動画で十分だという点だ。あなたがシャツを畳んでいる様子をスマホで撮った映像は、関節角、グリッパーの状態、力やトルク、布地をどれほど強くつまんだか──ロボットが自身のアクチュエーターに指令を出すために本当に必要な要素については何も説明していない。すべては推論に頼ることになる。Figureの「Project Go-Big」は、家庭内で撮影された一人称視点動画からの人間からロボットへの転移を示しており、ある程度は有望だ。しかし、それがスケールしたときにどうなるかは見極める必要がある。
第三の賭けは、データ不足を生成AIで解決することはできない、というものだ。つまり、合成データは答えではないということだ。
データは「現実世界から来る必要がある。地球上のあらゆる環境で捉えた物理法則のグローバルなサンプリングでなければならない」とFigureは述べている。これはサンプリング論だ。Figureは本質的に、世界にはいかなるシミュレータが想定するよりも多くの物理的な奇妙さが含まれており、それを捕捉する唯一の方法は現実世界で行うことだと主張している。
もちろん、反対の見方もある。NvidiaのフィジカルAIスタックは逆方向への賭けだ。つまり、小さな実データセットを取り、それをデジタル上で何倍にも増やせるという考え方である。オープンなヒューマノイド基盤モデルであるGR00T N1について、Nvidiaの研究者らはFourier GR-1を使った社内テレオペレーションを88時間収集し、その映像で動画生成モデルをファインチューニングして「827時間の動画データ」を生成し、元データを「約10倍」に拡張した。さらに別途、78万本のシミュレーション軌道を生成しており、論文ではこれを「6500時間に相当する」と位置づけている。
言い換えれば、GR00T N1のコーパスのおよそ1%が現実から取得され、残りの99%はGPUから生み出されたことになる。
これは安上がりなアプローチだ。しかも速い。
だがFigureは、生身の人間が行う本物の作業の本物の時間を買うために10億ドル（約1540億円）を投じている。
アドコックは、以前からここまで明確に線を引いていたわけではない。2023年には、選択肢を公平に列挙していた。「シミュレーションを通じて合成的に行うこともできるし、人間のデモンストレーションを通じて行うこともできる。ロボット自身が行動し、その行動がうまくいったかどうかから学習することを通じてもできる」
それから3年、評価額390億ドル（約6兆200億円）に達した今、資金の投じ先を見れば、彼がどの選択肢を選んだかは一目瞭然だ。
世界最大級のデータセットか
ここでの数字は圧巻だ。
1600万本の動画、毎秒30分のアップロード、1日あたり4.9年分の人間労働──これが持続可能であれば、Indexは1週間ですべての公開一人称視点データセットを追い抜く。
規模感として、標準的な一人称視点動画コーパスであるMetaのEgo4Dは3670時間である。Ego-Exo4Dはおよそ1286時間。対応する3D手姿勢を含むAppleのEgoDexは829時間だ。ロボット分野では、Open X-Embodimentが34の研究所にまたがる60のデータセットから100万本超の軌道を集約し、AgiBot World Colosseoは100台の双腕ロボットから約2976時間を記録した。Generalist AIは、自社のGEN-0コーパスには現実の器用な物体操作が27万時間分含まれ、週に1万時間ずつ増えていると述べている。
ただし留意点もある。Figureが公表したのは取り込み速度であってコーパスサイズではなく、Figure自身の5段階パイプラインではその多くが捨てられるだろう。スマホ動画1時間はロボットデータ1時間ではない。単純に、常に利用可能とは限らないからだ。実際、動作ラベルが付いた1万時間の遠隔操作ロボットデータは、やや無作為に撮影された100万時間の動画よりも価値が高い可能性がある。Flikforgeのジェフ・アレンCEOは、テレオペレーションデータのコストを1時間当たり50〜200ドル（約3万円）と見積もっている一方、一人称視点の人間キャプチャは2〜5ドル（約1万未満円）で取引されている。
この価格差こそが、価値の差を物語っている。
しかしFigureの賭けが当たれば、同社は潜在的に世界で最もよく訓練されたロボットを手にすることになる。
Figureと家庭市場──家庭内のヒューマノイド
今回の発表は、Figureが消費者市場、つまり家庭用ロボットを明確に狙っていることを示す極めて分かりやすいサインだ。
Figureが実際に何を撮影するために対価を支払っているかを見てほしい。ベッドメイキング、洗濯物たたみ、料理、掃除、植物への水やり、食料品の運び入れ、ゴミ出し。倉庫や小売、飲食店の作業も混じっているが、重心はかなり家庭寄りだ。
Figureが公表した多様性指標は、収集した1000時間あたりに116のユニークな環境が含まれるというものだ。これは工場でも倉庫でもない。飲食店や小売もあるかもしれないが、その多くは非常に個別性の高い家庭であろう。家というものはほぼ毎回異なる環境であり、まさにそれこそが、家庭がロボティクスにおいて最も難しい市場である理由だ。
訓練セットはロードマップである。投入するつもりの製品に向けてデータを集める。そしてFigureは、人々のキッチンや寝室の動画を何百万本も収集している。
「クリエイター」であることは奇妙な体験に違いない
Indexのギグエコノミーで「クリエイター」であることは、奇妙な体験に違いない。自分が今している仕事は、将来的に人間がしなくてよくなるようにするためにこそ、行われているのだ。多少の苦い思いは伴うだろう。
一方で、文章で生計を立てる者として、私はその感覚がどのようなものか正確にわかる気がする。
最終的な希望は、真に人間らしい仕事が残り、他の多くの作業をロボットやソフトウェアが担う一方で、人々が生計を立て続けられる世界を作ることだ。
いずれわかるだろう。
