ボトルネックは「モデル」ではなく「経験の量」
World Labsの主張は明快です。ロボットが実運用に届かない理由はモデルの設計ではなく、安定して動くために必要な経験量が足りないこと。現実データは高コストで条件を制御しにくく、ネット上の動画は物体・物理条件・失敗パターンを網羅的にはカバーしません。
R2S2Rは、ロボット本体・センサー・環境・タスクのデモをまとめて取り込み、見た目も物理挙動も元と同じインタラクティブな仮想世界として再構築します。生成的なワールドモデルと、タスク志向のロボットシミュレーションを組み合わせた形です。
1回の実作業から数千のバリエーション
再構築された世界では、照明、物体の位置と個数、周囲の環境、摩擦などの物理特性、カメラアングルを振ることで、実機での1タスクから数千通りの状況が生成されます。精度検証は、同一の動作系列を現実とシミュレーションで並走させ、観測・物体の動き・結果を突き合わせる方式です。対象は剛体だけでなく、ケーブルの取り回し、弾性のあるケーブル端の穴への挿入、両手での箱詰めといった可動物・変形物にも及びます。
実験台の一つはStanford発のオープンソース双腕機ALOHAです。2本の小型アームで操作するパペッティング方式で、商用機の何分の一かのコストかつ設計図が公開されているため、研究の標準参照機になっています。さらに4つの追加プラットフォームでは、各モデルが人の介入なしに1時間動作し、冷蔵庫に電源コードを両手で巻き付ける、試験管を精密に置き直す、マーカーやペンのような薄い物を密集した山から分離する、といったタスクをこなしたとされています。
「成功率が一致しないシミュレータ」でも意思決定には効く
ここが実務的に一番重要な論点です。World Labsは、シミュレータが現実と同じ成功率を出す必要はないと整理します。必要なのは同じ問いに答えられること——どこで失敗するのか、どのバージョンが優れているのか、改善は実機にも効くのか。
検証としてALOHAの両腕でキューブを受け渡す課題を用い、縁をかろうじて掴んだ際どい成功も、それに対応する失敗も再現できたとしています。GR00T N1.6やπ₀.₅を含む異なるモデル、異なる学習段階で、シミュレーションと現実のランキングはおおむね一致し、既知の配置でも未知の配置でも同様でした。評価は各チェックポイントにつきシミュレーション2,000回、実機100回。つまり弱い候補はシミュレーションで落とし、高コストな実機検証を有望株に集中できます。World Labsが「ロボット開発が言語モデルに遅れた原因は、評価が実機に依存してきたこと」と述べる所以です。
残る問い
一度再構築した世界はモデルやロボット種別に紐づかず再利用できる、というのが同社の説明です。自動運転でレベル3・4の一部が現実データと合成データを混ぜて学習している点も引き合いに出されます。ただし、より複雑な環境、他機種、制御の効かない日常的な状況にどこまで転移するかは未検証のままです。手法の位置づけも一様ではありません。World Action Modelsは近未来の予測を制御指令に直結させ、シミュレーションと方策を分離するWorld Labsとは設計思想が異なります。中国発のOrcaは、実際の動作データなしに動画の視聴だけでタスクを学ばせる方向です。世界モデルの定義自体、国際的な研究チームが動画生成器との線引きを含めて整理を試みている段階にあります。
💼 事業会社視点：これは自社にどう効くか
日本企業にとっての含意は「ロボット導入=実機PoC」という前提の崩れです。物流・食品・電子部品の現場を持つ製造業やEC事業者は、これまでライン改造と実機検証に数千万円と数カ月を投じてから可否を判断してきました。R2S2Rが示したのは、シミュレーション2,000回・実機100回という配分で候補を絞り込める可能性です。役員が今すべきは「うちの現場をどう3D再構築できる状態にしておくか」の準備——作業デモの動画、センサー構成、環境の計測データを、廃棄せず資産として蓄積するルールを作ることです。再構築した世界はモデルにも機種にも紐づかず再利用できるため、早く貯めた企業ほど後の選択肢が増えます。SIerや受託開発にとっては、案件の重心が実機ティーチングからシミュレーション環境の構築・検証設計へ移るシグナルです。ALOHAのように設計図が公開された安価な機体で先に検証パイプラインを作り、実機は最後に当てる。この順序を先に組めた事業者が、次の数年で価格競争から抜けられます。