米ロボット企業のDyna Roboticsは、人間の1人称動画約100万時間で事前学習したロボット基盤モデル「DYNA-2」を発表した。人が物体を扱う場面から物理的な相互作用を学ばせることで、汎用ロボット開発で課題となってきた学習データ不足の解消につなげる狙いだ。

従来の汎用ロボット開発では、人がロボットを遠隔操作して学習データを集める手法が広く採用されてきた。ロボットアームやヒューマノイドを直接操作し、特定の作業を繰り返してデータを蓄積する方法だ。

ただ、この手法は時間とコストの負担が大きい。作業の種類が増えたり、ロボットの形状が変わったりするたびに追加のデータ収集が必要になり、大規模展開には限界があるとされてきた。

これに対しDyna Roboticsは、ロボット実機データに頼らず、人が物体と相互作用する動画からロボットに必要な行動情報を学習させるアプローチを採った。

DYNA-2は、人間の1人称動画約100万時間を学習に用いた。同社は、これが連続した人間の行動経験として約170年分に相当すると説明している。共同創業者のジェイソン・マー氏は「行動データは希少だが、動画はどこにでもある」と述べ、人間の動画から物理的な直感を学べる点を強調した。数百万時間にわたってロボットアームを操作しなくても、人が物体をつかみ、動かす場面から、物理的相互作用に必要な情報を学習できるという。

性能面では、精密製造作業の成功率が従来の20％台から80～90％台に向上したとしている。15件のベンチマーク作業でも、より多くの人間動画で学習したモデルが、少ない動画で学習したモデルを一貫して上回ったと同社は説明した。

モデルの構造も従来のロボットAIとは異なる。DYNA-2は一般的なビジョン・言語モデル（VLM）ではなく、動画生成ベースのワールド・アクション・モデルとして設計した。事前学習では、単なる状況認識にとどまらず、次の動画フレームと次の行動を同時に予測する。

同社によると、この学習方式は、物体に接触した際に生じる物理的な変化や空間関係を、ロボット内部で表現するのに役立つという。

最終的な狙いは、特定のロボットに依存しない汎用性の確保だ。DYNA-2の事前学習で直接使っていない固定型ロボットアームやヒューマノイドの試作機、多関節ロボットハンドにも、人間動画から得た知識を転移できるとしている。

新たなロボットプラットフォーム向けの微調整も、従来より大幅に短縮できるという。数週間単位だった作業を数時間単位へ短縮することを目指しており、追加データ13分だけでロボットハンドが瓶のふたをひねる動作を学習した事例も示した。

Dyna Roboticsは研究段階にとどまらず、実際の産業現場への導入も進めているとした。同社のDYNA-1ロボットは現在、ホテル、飲食店、コインランドリー、ジムなどで使われているという。共同創業者には、Google DeepMind出身のリンドン・ガオ氏、ヨーク・ヤン氏、ジェイソン・マー氏が名を連ねる。

今後は、人間動画の学習規模を現在の100万時間から1000万時間へ拡大する計画だ。同社は、汎用ロボットのボトルネックは機器の普及よりもデータ確保にあるとみている。高価なロボットを数千～数万台規模で配備して直接データを集めるのではなく、インターネットや現実世界に蓄積された人間行動の動画を活用することで、学習規模をより速く拡大できるとの考えだ。

一方で、人間動画から学んだ行動知識が、実際のロボット環境でどこまで安定して再現されるかは今後の検証課題となる。人とロボットでは身体構造や関節、力の大きさ、視野が異なるためだ。

DYNA-2の成否は、学習に用いる人間動画の量だけでなく、そこで獲得した物理的な直感を、異なるロボットや実作業環境にどこまで安定して転移できるかに左右されそうだ。Dyna Roboticsが進める1000万時間規模の動画学習が、汎用ロボット開発における新たなデータ確保の手法として定着するか注目される。

なお、同社は11日、X（旧Twitter）への投稿で「本日、100万時間の人間動画で事前学習したワールド・アクション・モデルDYNA-2を紹介する。この規模で初めて、いくつかの新しいスケーリング則を発見した」と説明した。