北京WRC報告:中国ヒューマノイドは「実用デモ」と人の手作業データ収集へ向かう

YouTubeで開く ↗
概要

ものづくり太郎と、トロン株式会社の和島氏による対談である。2人はフィジカルAIの視察で訪れたサンフランシスコから収録しており、主題は毎年8月に北京で開かれるWRC(World Robot Conference)だ。和島氏の見立てでは、昨年はエンタメ色の強かった中国のロボット展示が、今年は実用を意識したデモに移った。ただし、その土台となるモデルの発想はアメリカ発のものである。和島氏がモデルの進化以上に危機感を覚えたのは、中国が人の手作業データを大規模に集めていることだった。

18分で読めます
0:10

前置き:米国視察で見た1Xの進捗

本題の前に、2人は米国視察の印象を短く振り返っている。和島氏は今年3月にも各社を回っており、そこから明確な進捗があったという。とくに大きかったのが1Xだ。3月の訪問時はヘイワードの拠点に移ったばかりで、試作ラインがぽつぽつある程度だった。今回は組み立てラインが整い、4台ほどが並んでいた。本格的な量産工場は湾の対岸に来年つくる予定だという。

和島氏は1Xの開発速度を「1か月で0.1バージョン上がる」と表現する。ソフトとハードを垂直統合し、データ収集まで一貫して自社で回しているからこそイテレーションが速いという評価だ。モーターも世の中に多いQDDではなく独自のものを使っている。

米中の比較では、アメリカにはフィギュアやテスラのように中身を明かさない企業、1Xのように販売間近で自信を持って中身を見せる企業、ソフトに特化した企業がそろっている、と2人は整理した。VC投資とビッグテックを軸に、資金と人材が循環するエコシステムがあり、エンジニア同士がつながり、引き抜きや独立、再参加が繰り返される。ここがアメリカの強さだという。一方で、中国にも中国のエコシステムがあり、アメリカ側の研究プロジェクトにも中国系の人材が多いという話も出た。なお2人の会社はGENIAC関連の案件で協業しており、お互いフィジカルAIの現場に関わっていると紹介している。

4:59

WRC 2026の全体像:エンタメから実用デモへ

WRCは会場が広く、来場者も多い。規模は昨年とあまり変わらない大型イベントだと和島氏は言う。昨年はヒューマノイドが大量に出展されて人だかりができていたが、ものづくり太郎の言葉を借りれば、結局はエンタメだった。

今年の展示の中心は、実用を見据えたデモだった。ヒューマノイドを使う会社もあれば、双腕アームで見せる会社もある。具体例として和島氏が挙げたのは、フィギュアAIが十数時間の耐久デモで見せたような郵便物をひっくり返す作業、安価な双腕アームでキュウリを切って鍋に入れる料理の下ごしらえ、コーヒーを淹れる作業、洗濯物を畳む作業などである。いずれもVLAやワールドアクションモデルを使って動かすデモだ。

その割合は、和島氏の体感でロボット展示の7割ほどだった。ものづくり太郎は、実運用できなければ最終的に儲からないので、まだ実運用はできなくても「こういうことがふわっとできる」と示すデモが増えたのだろうと受け止めている。

7:29

VLAとワールドアクションモデルの違い

議論の前提として、2人は2つのアプローチを説明している。

VLA(Vision-Language-Action)は、コップを動かすといった作業をテレオペレーションやUMIのような道具で何度も繰り返し、そのデータでモデルをつくって、最終的にロボットが作業できるようにする手法である。

ワールドアクションモデルは、学習させるデータ自体は同じものを使うこともあるが、ロボットの動かし方の発想が逆だと和島氏は説明する。「コップを奥に置く」なら、まずコップが奥に置かれた状態をイメージし、そこから逆算してロボットを動かす。ベースモデルの訓練方法は両者で異なる。一方、ユーザーが自分のロボットに特定の仕事をさせるための追加データは共通で、UMI、テレオペ、人のエゴセントリック(一人称視点)データを使う。

和島氏によれば、どちらのアプローチもアメリカで生まれたものだ。そのうえで、WRCには「自前でワールドモデルをつくった」と打ち出す企業が20社ほどあった。

8:56

20社が同じことをできる理由

なぜこれほど多くの企業がワールドアクションモデルを掲げられるのか。和島氏が各社に聞いて得た答えは、大きく2つに分かれる。

1つ目は、使っている原理が同じであることだ。論文で公開されたベースモデルの作り方をみな使っている。土台には、画像を見て「これはコップ」「これは猫」と認識できるVLM(Vision-Language Model)を置く。トランスクリプトではアリババのファンデーションモデルが例に挙がっている。ものづくり太郎の補足によれば、文章ベースのLLMに対し、ここ2年ほどで発達したVLMは、動画の内容が「サーバーを組み立てている」「バスケをしている」といった複雑なものでも認識できるようになった。そこに、コップをつかんで奥に移すとどうなるかといった物の作用を、人が手を動かす一人称視点の動画で学習させる。これがおおむね共通の手法だという。

2つ目は、ワールドモデルやワールドアクションモデルが、ロボットより先に自動運転で使われてきた技術だという点だ。和島氏はグーグルカーやウェイモのデータ収集を例に挙げた。通常の走行データは集められても、事故、大雪、子どもの飛び出しといった場面のデータは取れない。実際に雪を降らせたり子どもを飛び出させたりはできないので、合成データをつくる必要がある。ただ、ゲームのように一つひとつモデリングすると莫大なコストがかかる。そこで、雪の結晶が舞う、窓に付いた水滴をワイパーが拭うといった物理法則に沿って映像をシミュレーションで生成する。これがワールドモデルで、そこにロボットを動かすアクションを加えたものがワールドアクションモデルだと和島氏は説明する。

ものづくり太郎は、自動運転は産業として大きくゴールも明確だったので先に適用が進み、それがロボットに転用されたのだと整理した。中国は自動運転が進んでおり、その分野のエンジニアのエコシステムがある。そこにいた人たちがロボットのスタートアップに参加したり、自ら起業したりしているという。ちなみに和島氏は中国で自動運転車に乗ったが、車線変更が下手で怖かった。今回乗ったウェイモはまったく問題なかったそうだ。

14:04

中国が大量に集める「人の手作業データ」

和島氏が強調したのが、ワールドモデルの学習は必ずしもロボットのテレオペデータだけでまかなう必要はない、という点である。コップを持ち上げると床との間に空間ができて向こうが見える、手を離すと落ちる。こうした物体の物理的な相互作用は、ロボットを使わなくても人の手作業を撮れば取得できる。

そして中国は今、この人の手作業データを大量に集めているという。収集には、孫悟空の輪のように頭に枠を着け、4個ほどのカメラで360度を撮る「エゴセントリックデータ収集リグ」が使われる。サンフランシスコのコンピューター歴史博物館でも、同様にビジョンでデータを取る取り組みが紹介されていた。

撮影対象は工場の現場作業や、クリーニング工場でひたすらアイロンをかけるような作業だ。超精密ではない産業のデータが、どこからか大量に集められている。既存の工場やアイロン屋が「データ屋」の役割も担い始めている、とものづくり太郎は言い換えた。各社が自前でリグをつくって撮るケースもあれば、専業の企業もある。和島氏が例に挙げた企業(字幕では「ライトウィール」)は、すでにはるかに多くのデータを集めており、そのうち10万時間分をオープンソースで公開しているという。

このデータの使い道について、和島氏は次のように説明する。最終的にロボットを精密に動かすには、VLAでもワールドアクションモデルでもロボットのテレオペデータが必須になる。しかし、基礎となるモデルの大部分は、粗くてもよいので人の手のデータでつくれる。オープンソースのデータを使えば誰でも「なんちゃって」ワールドアクションモデルをつくれる。人間ほど滑らかではないにせよ動くので、あとはテレオペデータでファインチューニングして滑らかにしていく。WRCに並んだデモの多くは、こうした同じようなデータと同じ理論でつくられていたと和島氏は見ている。

18:43

抜け出すには計算資源・人材・資金

20社ほどが同じようなデモを並べているが、そこから頭一つ抜け出すには何が必要か。現地では「最終的には計算資源と、それを使いこなす人材、つまり資金力で集約されていく」という趣旨のコメントが多く、和島氏の印象に残った。

計算資源は学習に使う。和島氏によると、ワールドアクションモデルはVLAに比べて推論にもかなりのGPUを要するので、広い意味で計算資源の戦いになる。ものづくり太郎は、LLMのように規模を大きくするほど結果が良くなる構図だと受け止めていた。

ただ和島氏は、今回の中国で、規模の壁を越えて洗練されたモデルでブレイクスルーを起こしている企業はあまりないと感じたという。ものづくり太郎も、2か月前の訪中で「ロボットがあってもタスクを処理できなければ産業化できない」と指摘したところ「今やっている」と返されたと話し、新しいものを生み出す点ではアメリカが強いと述べた。

一方で和島氏は、参照される論文がおそらく数か月前に出てから、20社が一気にデータを集め、8月の展示会に間に合わせて一斉に出してくる。このキャッチアップ力は驚異であり脅威でもあると語った。

20:32

データが一気に統合されたら何が起きるか

ワールドアクションモデルが本格的に離陸するのか、VLAがこのまま伸びるのか、両者を組み合わせるのか。あるいはアストラのような汎用AIが空間を認識してロボットを動かすようになるのか。議論は分かれるが、結局大事なのはどれだけデータを持っているかだと和島氏は言う。

ここで和島氏は自身の推測として次の見立てを示した。ワールドアクションモデル向けにエゴセントリックデータを集める企業が20社ほどあり、数百万時間を集めているプレイヤーもいる。全部を合算すると、産業現場の人の手作業データは数百万時間規模になる。業界再編が起きたり、突出したモデルメーカーが現れたりすれば、そのデータが一気に投入されて統合されたビッグデータになり、非常に強いモデルが急に生まれる可能性がある。

米国視察では、ある人物が「今のロボットは赤子のようなもので、進歩がない。アメリカの最先端の人材と資金がついていないからだ」と話していたという。そこからさまざまな展開が考えられる、と2人は続ける。LLMがすべてを飲み込むかもしれないし、強いモデルが中国から出てくるかもしれない。アメリカのフロンティアラボが「データは中国から買えばいい」と判断する可能性もある。ものづくり太郎は、直接買えなくても、ベトナムやフィリピンなど人件費の安い国の法人で、背後に中国資本がある企業を迂回路にしてアメリカにデータが渡る可能性を挙げた。AIがここ数年で急に進化したように、フィジカルAIでも一気にジャンプアップが起こりうるという。

和島氏によると、中国政府はデータを国外に出さないよう、許可制にする方針を示しているらしい。ただ2人とも、データは抜け道がありうるとの認識である。さらに和島氏は、こうしたデータは不法に入手されたものではないので、使うこと自体に問題はないと指摘する。LLMなら思想面のバイアスが問題になりうるが、アイロンのかけ方や物の作り方にバイアスはない。そのため「データが日本の勝ち筋」という国内の論調が骨抜きにされかねない。和島氏は、今回はモデルの進化よりもこの点に強い危機感を覚えたと述べた。

日本でいまから収集を始めても、プライバシーや権利の扱いなど見えないハードルが多く、すぐには動けない。2人は自社の取り組みでもそれを実感しているという。それでも早く動くべきで、やらないよりはやった方がいいというのが2人の結論だった。

24:27

ハードウェア:ティアごとに分かれる戦略

昨年のWRCでは、吊るされているだけのロボットまで含めて無数のハードが出ていた。今年はメーカーのティアごとに戦略が分かれてきたと和島氏は見ている。

ティア1はAgiBotとUnitreeの2強である。ティア2にはLimX Dynamics、Galbot、UBTech(1.5程度かもしれないと補足)、Robotera、EngineAI、Booster Roboticsなどが並ぶ。和島氏によれば、このクラスになると正面からの勝負は難しく、各社が特色を出している。EngineAIはエンタメのロボット格闘技やパトロールといった「暴力」寄りの方向に振っており、LimX Dynamicsは上半身の双腕ロボットが下半身と変形・合体するような研究用のユニークなロボットを出している。IP67の防塵防水で過酷な環境に対応するといった色を付けるメーカーもあるが、和島氏はこれも玉石混交だと評した。

さらにティアを下ると、交通整理だけで一点突破を狙う聞き慣れないメーカーもいる。普段は人型で案内をしながら、ホテルで重い荷物を運ぶときは「土下座モード」の姿勢になって運ぶロボットもあった。アプリケーションに特化して生き残ろうとしており、すでに生き残りのフェーズに移りつつあるというのが和島氏の見方である。政府や政府系ファンドからの大量の支援もそろそろ引き上げられ、生き残りをかけた段階に入るという。

ものづくり太郎は、まだ死の谷があると見ている。中国は日本より人件費が安く、ヒューマノイドは産業化しなければ意味がない。それなのに、産業で一点突破できた企業はまだない。Unitreeでさえ年間1万台程度で、自動車産業から見ればごくわずかだ。10万台、100万台になれば話は変わる、と彼は言う。

27:56

Unitree創業CEOの「80×80」と3〜5年の見通し

展示会の横では講演も多く、主要企業のトップが登壇していた。Unitreeの創業CEOは実用化に向けて「80×80の法則」を提唱したという。ChatGPTはGPT-3の登場で一気に使われ始めた。それに相当する「GPT-3モーメント」をロボットで迎えるには、見たこともない仕事でもおよそ8割をこなせる水準に達する必要がある、という趣旨である。

CEOはその到達に3〜5年かかるとの見通しを示した。2人は、トップ層でさえ早くても3年、5年はブレイクしないと認識しており、まだ黎明期の長いマラソンだと受け止めている。そのため、今年から来年にかけてIPOで資金を確保しようとする動きが活発になるだろうと和島氏は予想する。フィギュアやテスラのオプティマスといった米国勢との競争もある。和島氏は、熱狂の裏でこうした現実的な認識が見えたと述べ、ロボットの機構や電気系の構造もこれから詰められていく段階だとした。

30:07

中国国家ブース(1):国有企業での実証事例

和島氏がもう一つ挙げたのが、会場で最大だった中国の国家ブースである。会場はA〜Dのホールに分かれ、メインのCホールの最奥、国際ロボット展でいえばファナックが車を振り回して見せるような最上位の位置に国のブースがあった。昨年あったかどうかは記憶が曖昧で、あったとしても今年ほどの規模ではなかったという。

展示の柱は2つあった。1つは国有企業での実証、つまりユースケースである。造船の例では、ヒューマノイドに噴射装置を持たせてウレタンを吹き付ける実験的な展示があった。船体に張り付いてフジツボを落とすロボットもあり、こちらはヒューマノイドではない。フジツボ落としが速くなればドックの稼働率が上がる。ほかに、山奥の電線に積もった雪を落とすロボットもあった。実際に使われたロボットも展示されていた。

和島氏は、ヒューマノイドという形にこだわらず、労働力不足を見据えてさまざまな形のロボットを示していたと見る。ものづくり太郎は中国で2040年に1億人以上の労働力が不足するとも言われていると触れたうえで、自分の推測として次の見方を示した。ヒューマノイドだけでは成果が出るまで少なくとも5年かかる。「何をしているのか」と批判されないよう、こうした実証もあると示す場でもあったのではないか。和島氏も、ヒューマノイドが実際の仕事を担うまでの間も、ハード・ソフトの両面で、ルールベースでもよいので成果を出したいという意図があるのだろうと応じた。

33:05

脱線:中国の制度設計とインドのコンサル

2つ目の柱である要素技術の話の途中で、議論は中国の制度設計に脱線した。日本の業界でも共通認識になっている「大脳・小脳・肢体」という整理は、もともと2023年頃に中国政府が打ち出したものだという。

ものづくり太郎は、中国はコンセプトを出すのがうまいと評価する。例に挙げたのがCMMという評価制度だ。「中国製造2025」のロードマップにはスマートファクトリーという施策があり、工場がレベル1〜5のどこにあたるかを切り分けたうえで、実際に監査する。彼が訪れた電池工場には認証の賞状があり、高評価を得て自動化先進工場と認められると補助金が多く下りると説明されたという。日本では「中国は金があるから強い」とよく言われるが、その資金の付け方自体が仕組み化されているというのが彼の主張だ。しかも審査は1〜2年の短期ではなく10年単位で行われ、良い点を取ればさらに資金が得られるので、強い企業がより強くなる。対して日本はSociety 5.0のように「そういう世界が来たらいい」という絵しかなく、ロードマップと、どう行動すれば補助金が得られるかまで設計されていない、と彼は批判する。

その背景として、彼は日本のコンサルが技術に弱く、エンジニアリングができない点を挙げた。インドのタタ・コンサルタンシー・サービシズ(TCS)を訪ねたときの話も紹介している。アクセンチュアに次ぐ規模の同社には、200〜300平米のフロアにジャガー・ランドローバーや日産など自動車メーカーごとの部屋があり、そこの社員は顧客企業のメールアドレスを持っていた。開発を受託し、ソフト統合から試験まで手がけている。エンジニアリングを理解したうえでコンサルをしており、2人の言葉でいえばFDE(フォワード・デプロイド・エンジニア)的な働き方をしている。日本にはそういうコンサルがない、というのがものづくり太郎の見方である。

37:01

中国国家ブース(2):要素技術のロードマップ

話を戻すと、国家ブースでは「大脳・小脳・肢体」がさらに細分化されて示されていた。大脳としてはVLAの学習やワールドアクションモデルに取り組んでいることをパネルで示し、その下に国有企業のデモや実機を並べていた。小脳では、1人の人の動きを複数のロボットに転写する技術などが展示されていた。

大脳・小脳の枠に収まらないソフトウェアとしては群制御があった。発電所の巡回で、複数のロボットが充電しながら協調して穴なくカバーし、不審者が現れて1台がそちらへ向かうと、その間は他のロボットが持ち場を埋める。データについては、国有企業間でVLAのポストトレーニング用データの取り方と加工方法を統一し、12社ほどが共通の手順で収集していることが示された。計算用のプロセッサー、つまり半導体も含まれていた。

ハードウェアは、アクチュエーター、ドライバー、構造(内部を肉抜きしても丈夫で軽い脚など)、材料、バッテリー、センサーに分けられていた。センサーはさらに、水中で使える3Dカメラのような極地仕様のもの、ロボット内部の状態を判別する内界センサー、力センサー・LiDAR・カメラ・マイクなど外界と接するためのセンサーに細分化されていた。それぞれで研究投資を行い、成果を実機で見せていたという。

和島氏はこれを非常にわかりやすいと評価し、ものづくり太郎は経産省も見習うべきだと述べた。和島氏の整理はこうだ。極地用センサーや極限まで軽くて丈夫な材料は民間には不要かもしれないが、産業を育てるために国の研究ロードマップでは「バランスよく栄養を取る」ように満遍なく取り組む。一方、ブースの外の民間は産業で勝てればよく、パンチ力さえあればいい。そこには資金を入れて市場競争に任せ、最強の企業を育てる。この2軸を束ねる官民の力の強さを、Cホールで強く感じたという。ものづくり太郎も、日本の官僚の仕事は法律づくりが中心で、こうした産業育成のロードマップや継続的な評価の仕組みはないと付け加えた。

41:29

半導体の話題と結び

最後に、ものづくり太郎は半導体にも触れた。中国は最近、半導体材料についてダンピングを理由に追加の費用を課す措置を打ち出しており、これを国内産業を強制的に育成する手だと見ている。ファーウェイも久しぶりに展示会でKirinチップを見せた。露光装置が手に入らず先端プロセスに対応できないなか、西側がゲート・オール・アラウンドやFinFETでトランジスタを微細化・積層するのに対し、中国は設計を変えるアプローチを取っているという。彼は小学校のたとえで説明した。同じ階の遠い教室より、すぐ上の階の教室の方が近い。プロセッサーを3次元的に組んで配線距離を縮め、遅延と消費電力を抑えるという考え方だ。規制しても自分たちでエコシステムをつくってしまうので、アメリカもファーウェイを恐れているのだろう、と彼は語る。

2人の結論は、中国は侮れないということだ。そのうえで、日本もやるしかない、と締めくくった。