ロボットに仕事を覚えてもらう。
そう聞くと、多くの人は「人が何度も手本を見せて、その動きを覚えさせるのだろう」と想像するかもしれません。
たしかに、これまでのロボット開発はその色合いが強く、現実の現場で人が操作し、長い時間をかけてデータを集める方法が主流でした。
けれど、そのやり方はとてもお金がかかり、時間もかかり、挑戦できる組織が限られてしまうという壁がありました。
今回のAI2の取り組みが面白いのは、その前提をひっくり返そうとしている点です。
ロボットを現実で鍛えるのではなく、まずは仮想世界で徹底的に育てる。
そんなphysical AIの新しい道筋が、ぐっと現実味を帯びてきました。
MolmoBotとMolmoSpaces：仮想世界で育つロボット
AI2が打ち出した中心的な名前は「MolmoBot」です。
これはロボットの操作モデル群で、特徴は”完全にシミュレーションだけで学習した”と打ち出していること。
土台には、同じくAI2が公開したオープンなembodied AI基盤「MolmoSpaces」があります。
MolmoSpacesは、23万超の屋内シーン、13万超の物体モデル、4200万超の把持アノテーションを統合した大規模なプラットフォームで、ロボットが多様な空間や物体に触れるための「練習場」を大量に用意します。
まるで、本番の舞台に立つ前に、無数の稽古場を好きなだけ作れるようになった感覚です。
仮想世界は「ゲーム画面」ではない
ここで大事なのは、仮想世界が単なる”ゲーム画面”ではないことです。
MolmoSpacesでは、物の重さや密度、関節の動き、接触の安定性などを物理エンジンで丁寧に扱い、MuJoCoのようなシミュレーション環境で学習を支えています。
さらに、物体の配置、視点、照明、質感、動きの条件を大きく揺らす「ドメインランダム化」を使い、ロボットが一つの答えだけを丸暗記しないようにしています。
晴れの日の一本道だけでなく、雨の日の坂道も、夜道も、初めての交差点も経験させるようなものです。
だからこそ、現実に出たときにも慌てにくくなるのです。
ゼロショットでの sim-to-real transfer
MolmoBotが挑んだのは、ただ物をつかむだけではありません。
Franka FR3ではテーブル上のピックアンドプレース、Rainbow RoboticsのRB-Y1ではドアを全可動域にわたって開けるような可動部の操作まで評価されています。
しかもAI2は、実世界で追加学習をしないゼロショットのsim-to-real transfer、つまり「仮想で学んだことを、そのまま現実へ持ち込む」形での移行を示しました。
初めて見る物や環境でも動けたという点は、physical AIにとってかなり大きな意味を持ちます。
「手取り足取りの教育」からの脱却
なぜこれがそんなに重要なのか。
それは、これまでのロボットAIが、非常に高価な”手取り足取りの教育”に支えられてきたからです。
たとえばGoogle DeepMindのRT-1は、複数の研究機関が17か月かけて13万エピソードを集めて学習しました。
DROIDも7万6000本のデモ軌跡、約350時間分の相互作用データを集めた大規模データセットです。
こうした蓄積はもちろん価値がありますが、同時に「大きな研究機関でなければ難しい」という現実も生みます。
AI2の提案は、そこを「人手で実演を集める競争」から「どれだけ豊かな仮想世界を設計できるか」という競争へ移そうとしている点で、とても新しいのです。
オープンな設計思想
しかもAI2は、この流れを閉じた技術にしようとしていません。
MolmoBotはMolmo2を基盤にした主力モデルのほか、軽量なMolmoBot-SPOC、PaliGemma系のMolmoBot-Pi0も用意し、比較や再現がしやすい形を意識しています。
MolmoSpaces側もデータ、コード、ベンチマーク、資産群を広く公開し、研究者が中身を調べ、改良し、別のロボットへ応用しやすい構成を採っています。
これは単に「強いモデルを見せる」話ではなく「physical AIを、もっと多くの人が触れる道具にする」という思想の表れでしょう。
physical AIの入口を広げる
初心者の目線で言えば、今回のニュースの核心はとてもシンプルです。
ロボットはもう、現実の現場でだけ育つ存在ではなくなりつつある。
まず仮想世界で何度も失敗し、何度も学び、そのうえで現実へ出てくる。
ちょうど、飛行機のパイロットがいきなり空で練習するのではなく、まず高性能なシミュレーターで鍛えられるのと似ています。
ただし今回の違いは、そのシミュレーター自体が、AIのためにものすごい速度と多様性で拡張されていることです。
そして、この話は研究室の中だけでは終わりません。
製造、物流、家庭、介護、危険環境での作業など、ロボットに期待される現場はこれから確実に広がります。
そのたびに毎回、人が何百時間も付き添って教えるのでは普及は進みにくいでしょう。
だからこそ、シミュレーションデータを使ってロボットを育てるAI2のアプローチは、コストや開発速度の面だけでなく「誰が次のphysical AIを作れるのか」という入口そのものを広げる可能性があります。
ロボットの未来は、金属の腕の先にあるのではなく、その前に広がる仮想世界の豊かさにかかっているのかもしれません。
そう思うと、このニュースは単なる技術アップデートではなく、次の産業の教科書の最初の1ページに見えてきます。
コメント