TorqueAGI（トルクAGI）の創業者兼CEOであるアシュトシュ・サクセナ氏は、ロボットをよりインテリジェントにするための物理AIを開発している。
ロボットは長い間、製造業の中核を担ってきた—自動車フレームの溶接、電子機器の組み立て、そして機械のような精度で反復作業を実行してきた。しかし工場の構造化された壁の外では、従来のロボットは苦戦してきた。
今、それが変わりつつある。
強力なAI基盤モデルと人間のような形状のロボットの融合により、ロボット工学の新時代が幕を開けている。私たちは、機械が考えて計画するだけでなく、人間のように動き、適応できる段階に入りつつある。
一方、フォーブスは2035年までに1300万体のヒューマノイドロボットが私たちの間を歩き回るようになると予測している。これはもはやSFではない。カウントダウンが始まっているのだ。
なぜヒューマノイドなのか？そして、なぜ今なのか？
私たちが暮らす世界—ドア、カウンタートップ、階段、照明スイッチ—はすべて人間の体の形状と能力を中心に設計されている。私たちの家、倉庫、病院をロボットに合わせて再設計する代わりに、ヒューマノイドは現状の世界に適応することができる。
主な利点は以下の通り：
• 汎用性： 1台の機械で多くの仕事をこなせる。ヒューマノイドは食洗機に食器を入れたり、食料品を運んだり、理学療法を手伝ったりすることができる。
• 安全な人間とロボットの相互作用： AI駆動の知覚と意図認識により、ヒューマノイドは人間の周りで安全かつ直感的に操作できる。
• より迅速な導入： 既存のインフラ内で作業することで、企業は従来の自動化に必要な高額で時間のかかる改修を避けることができる。
AIモデルにより、ヒューマノイドはこれまで機械にとって複雑すぎたり変動が大きすぎたりするタスクに取り組むことが可能になった。
すでに形になりつつある実世界での応用
未来のファンタジーとは程遠く、ヒューマノイドロボットはすでに複数の産業分野の実環境で価値を証明し始めている。
倉庫業や物流業では、ヒューマノイドが動的な環境に足を踏み入れ—混雑したフロアを移動し、商品をピッキングし、トラックに積み込んでいる。彼らは変化するレイアウトやタスクに素早く適応する必要があり、現代のサプライチェーンが求める柔軟性を提供している。労働力不足が続く中、ヒューマノイドは効率性を高めるスケーラブルなソリューションを提供する。反復作業を引き受けることで、従業員をより価値の高いタスクに解放し、離職率を減らし、24時間体制の運用をサポートできる。
医療や高齢者介護では、ヒューマノイドは介護者不足に対する実用的な対応となりうる。彼らは移動の補助、薬の取り出し、そして話し相手になることで、身体的・感情的サポートの両方を提供する。
危険な環境—災害地域、鉱山、バイオハザード施設など—では、ヒューマノイドが危険なタスクを引き受け、人間へのリスクを軽減できる。労働力が不足しており、かつハイリスクな産業では、ヒューマノイドがレジリエンスとリスクに関する考え方を再定義する可能性がある。
ヒューマノイドの普及を妨げているもの：信頼性、安全性、実世界での機能性
急速な進歩にもかかわらず、ヒューマノイドはまだ導入において大きな課題に直面している。特に信頼性、安全性、予測不可能な環境での機能性の面で課題がある。実世界の環境は多くの場合、散らかった床、動き回る人々、暗い照明、構造化されていないレイアウトなど、複雑である。成功するためには、ヒューマノイドはこれらの状況を正確に認識し解釈するだけでなく、それらに対して知的に対応する必要がある。
実世界での機能性はバランスや移動能力以上のものだ—パレットが所定の位置からずれている場合、人が進路に入ってきた場合、または複雑な取り扱いタスクを計画する場合に何をすべきかを知ることが重要である。このレベルの推論がなければ、ロボットは動的な環境ですぐに停止してしまう。
重要な機会は、ロボットが認識し、推論し、計画することを可能にする基盤モデルにある。生成AI型モジュールは、従来のアプローチよりも少ないデータでロボットが複雑なタスクや変化する条件に適応するのを助けることができる。これにより、脆弱なルールベースのプログラミングに依存することなく、ユースケース全体で一般化が可能になる。
高度な知覚から行動推論、タスク計画まで、生成AI技術はロボットが予期せぬ状況でもタスクを継続するのに役立つ。これらの課題は現実的だが、基盤モデルを中核に据えることで、実世界でのロボットの知能は可能なだけでなく、現実のものとなりつつある。
ロボット工学における「ChatGPTの瞬間」：基盤モデルの役割
ChatGPTが言語に対して行ったことを、基盤モデルは今、ロボット工学に対して行っている。
視覚、言語、行動を組み合わせた膨大なデータセットで訓練された基盤モデルは、汎用ロボットの認知的バックボーンを提供する。すべての行動を一行一行コーディングする代わりに、エンジニアは物体、空間関係、タスク目標をすでに理解している大規模モデルを微調整できるようになった。この変化により開発が劇的に加速し、ロボットは実世界でより知的かつ柔軟に動作できるようになる。
これらのモデルは散らかった場面の認識を可能にし、ロボットが洗濯物の山と人を区別したり、狭いスペースを安全に移動したりすることを可能にする。また、全身制御も可能にし、安定した歩行から壊れやすい物の取り扱い、瓶を開けるなどの細かい運動タスクまで、複雑な動きを調整する。
最後に、基盤モデルは生涯学習と強化学習をサポートする。これらのロボットは静的ではなく、経験から学ぶことで継続的に改善する。時間の経過とともに、新しいタスク、環境、ユーザーの好みに適応し、あらゆる相互作用でより有能で信頼性の高いものになる。
この飛躍—硬直したプログラミングから適応型知能への移行—は、ロボットが人間の認知を反映する方法で学習し、推論し、一般化し始める転換点を示している。
コンセプトから能力へ：ヒューマノイドを実現するために必要なこと
人型ロボット技術の未来はもはや想像力ではなく、実行力にかかっている。
私たちはまだ完全に機能するヒューマノイドを持っていないが、それらを実現するための基礎的な構成要素を今持っている。基盤モデルは物理的環境を理解し相互作用するために必要な汎用知能を提供する。ヒューマノイド型は、私たちがすでに生活し働いている空間で操作できる多様性を提供する。
今必要なのは、新しい実現層—ヒューマノイドシステムの知能層として基盤モデルを中心に構築されたもの—である。これらのモデルは、大幅に少ない手動プログラミングで様々なタスク、環境、産業に適応できる汎用ロボットへの扉を開く。目標は単により良いロボットを作ることではなく、新しいエコシステムを作ることだ：基盤モデルをリアルタイムのロボット制御に統合するスケーラブルなプラットフォーム、学習した行動の全範囲を表現できるように設計されたハードウェア、そしてこの知能を倉庫業、医療、小売業などで実現する垂直アプリケーション。市場は今形成されつつあり、基盤モデルがそれを解き放つ鍵となる。
問題はもはやヒューマノイドが到来するかどうかではない。それらが繁栄できるシステム—技術的、商業的、そして人間的なシステム—をどれだけ早く構築できるかだ。
信頼性、コスト、安全性などの課題を解決することで、ヒューマノイドは私たちの間を歩くだけでなく、私たちの隣で働くことが可能になるだろう。
フォーブス・テクノロジー・カウンシルは、世界クラスのCIO、CTO、テクノロジー幹部のための招待制コミュニティです。参加資格を確認する
