中国の身体化AI企業X Square Robotは、タスクやプラットフォーム間を移行できる汎用ロボットを構築するための明確な構想を示している。それは、相互作用データから始まり、物理世界のモデルを経て、認識・計画・推論・意思決定を統合した行動モデルによって実行可能な振る舞いを生み出す、統合スタックである。この提案が示された時点でも、ロボットは依然として、タスク間や機械間で移転可能な汎用能力を必ずしも生み出さない分離されたコンポーネントに依存していることが多い。
広範なデータに対する事前学習という方式の恩恵を受けた大規模言語モデルとは異なり、汎用的な身体化知能を構築するための対応する方法について、ロボット分野ではまだ合意がない。X Square Robotは、その方法は単一の包括的なモデルではなく、同社がより広い方向性としてWorld Unified Modelと呼ぶ枠組みの中で連携する層にあると考えている。この枠組みは、視覚、言語、行動、物理的変化の予測を統合する。
軌道ではなく相互作用
同社の構想は、3つの主要な原則に基づいている。第一に、ロボットデータの基本単位は軌道だけではなく、相互作用でなければならない。動作は関節が動いたというだけでは成功とはみなされず、意図した通りに世界を変えたときに成功となる。第二に、事前学習は、集中的な微調整を必要とする単なる出発点ではなく、利用可能な能力を生み出すべきである。第三に、振る舞いは固定された時間区間ではなく、物理的なイベントを中心に構成されるべきである。
これらの原則によって、スタックの各層は相互に結び付く。行動モデルの学習に用いられるロボットを使わずに収集したデータは、世界モデルへの入力にもなる。ただし同社は、世界モデルと行動モデルは独立しつつ補完し合う2つのモデル群であり、より広いWorld Unified Modelの構造の中で共通のソフトウェア基盤を共有すると説明している。
より低コストで、より制御されたデータ
X Square Robotは、汎用ロボットのボトルネックはパラメータ数よりも、相互作用データのコストと品質に関係していると考えている。そのため同社は、QUANXTA Zero Seriesデータ収集システムを開発した。これは、デモンストレーションの記録時にロボットを遠隔操作する代わりに、2つのグリッパーを備えたプラットフォームを人が装着してロボットを操作するインターフェースである。
最も大きな違いは、品質管理ループに物理的検証を組み込んでいる点にある。プラットフォームが軌道を記録し、その一部を実際のロボット上で再生する。そして、タスクを実際に完了したデモンストレーションだけが採用される。例えば、グリッパーをほんの一瞬早く閉じると、データ上は把持の成功に見えても、現実には物体を押しのける可能性がある。同社によれば、パイプラインにおけるデータの有効率は約85％に達した。
また同社は、ロボットを使わずに記録した大量の人間のデモンストレーションと、モデルを特定の機械の動力学に適応させるための少量の実ロボットデータを組み合わせている。同社によれば、この方法は完全にロボットに依存するデータセットに近い性能を実現しながら、収集コストを約20分の1に削減する。主な理由は、遠隔操作のセットアップに比べて装着可能なプラットフォームのコストが低いことである。ただし、言及されている最も強力な結果は同社のロボットとデータ収集ラインで測定されたものであり、一般化可能性を検証するには、より広範な独立テストが必要である。
イベントに基づく世界モデル
同社の世界モデルはWALL-WMという名称で、行動に関連する意味的イベントを基本単位として採用している。この単位には、物体に手を伸ばす、物体をつかむ、物体を置くといった、まとまりのある振る舞いが含まれる。これらは言語で記述でき、動画で見ることができ、動作として実行できる行為である。
このアプローチは、振る舞いを固定長の時間窓に分割する方法を批判している。時間窓の境界が1つの動作の途中に置かれたり、異なる2つの動作をまとめてしまったりする可能性があるためだ。そのためWALL-WMは、長期タスクの推論に適した可変長のセグメントでイベントを処理する一方、制御モジュールが利用できる安定したリアルタイム出力を生成するための固定長モードも提供する。
大規模動画モデルが持つ視覚知識を維持するため、この設計ではテキスト・動画変換モデルと、新たに調整された行動ネットワークを接続し、後者は動画特徴を読み取るが、それを上書きしない。同社によれば、実験には訓練中に見ていない設定で長期タスクへの一般化を試す評価が含まれており、モデルは同社の実ロボット基準において、関連データで調整されたベースラインモデルを上回った。ただし記事によれば、これらの結果は依然として内部基準で測定されたものであり、コードの公開によってコミュニティは検証と再現が可能になる。
展開可能な行動モデルと意味的トークン化
Wall-OSS-0.5は、同社の視覚・言語・行動モデルである。X Square Robotは、自社に対して厳格な基準を設けている。事前学習済みモデルは、特定のタスク向けの微調整を行う前に、実際のロボット上で動作しなければならない。
このモデルは、離散的な行動トークン、言語と行動の結び付け、連続的な行動の生成という3つの目標を同時に学習する。また、ネットワークの一部を凍結するのではなく、これらのコンポーネントを通じて勾配を伝播させる。同社は、接近、把持、リカバリーを含む、事前のタスク固有の調整なしでの振る舞いを例として挙げている。その中には、訓練データに含まれていなかった変形可能な物体を扱うタスクもある。
一方、行動インターフェースであるX-Tokenizerは、連続的な動きをトークンへ変換する処理を、意味的インターフェースの学習として再定義する。上位のトークンは動作の意図を表し、下位のトークンは細かな詳細を担う。これらの表現は、言語モデルの特徴と整合するよう調整される。同社の説明によれば、行動にノイズを加えても意図トークンはわずかに変化するだけであり、このことが、再調整なしに異なるロボット間でトークナイザーを再利用するのに役立つ。
何を証明する必要があるのか
記事は、物理的な再生によるデータ品質管理、イベントに基づくモデリング、微調整前の展開可能性基準を組み合わせることで、X Square Robotのアプローチは際立った一貫性を持つと見ている。しかし、それによって同社のエコシステム外への拡張可能性という問題が解決されたわけではない。同社の評価額は20億元、すなわち約29億ドルを超えており、身体化AIにおけるデータインフラ、基盤モデル、スケーラブルな訓練システムの重要性に対する投資家の信頼を示しているが、それ自体が技術的性能の証拠ではない。
同社は研究者に対し、3つの点を検証するよう呼びかけている。第一に、イベントに基づく表現が、異なるタスク、シーン、物体、ロボット、失敗条件にわたってどの程度一般化するか。第二に、訓練中に見ていないロボットに対しても事前学習の有効性が維持されるか。第三に、成功率だけを比較するのではなく、指示の誤解、認識の失敗、リカバリー能力の不足など、失敗の原因も特定できる、実ロボット向けの共通評価を構築できるかである。
X Square Robotの見方によれば、ロボットが家庭に普及するには、1つのタスクの成功率を高めるだけでは不十分である。信頼できる家庭用ロボットは、自身の不確実性を認識し、必要に応じて動作を遅くし、助けを求め、物体を落としたり依頼を誤解したりした後に環境を安全な状態へ戻さなければならない。また、家族の習慣や好みを学習しつつ、安全性と信頼を優先する慎重な個別化も必要となる。現在の証拠が大きく同社のロボットと基準に依存していることを踏まえると、この構想は重要な技術的主張である一方、研究コミュニティによるより広範な検証を待っている。