TechFlow Logo
ログイン/ 登録
ETHガス
Gwei
恐怖
gas
Unitree 上場後のロボット業界洞察:ハードウェアと大規模モデルに希少性はなく、学習データが最も価値の高い部分である

Unitree 上場後のロボット業界洞察:ハードウェアと大規模モデルに希少性はなく、学習データが最も価値の高い部分である

2026.08.19
共有先
ロボット革命で最も価値があるのはロボットではなく、それらを育てるデータです。

著者:Shoal Research

翻訳:TechFlow

TechFlow解説:ロボット分野が熱を帯びているが、真に希少なのはハードウェアや大規模言語モデルではなく、ロボットに作業を習得させる高品質なトレーニングデータかもしれない。本記事では、なぜデータ層がロボット産業において最も価値の高い環節となり得るか、そしてどの種の企業がその市場を独占する機会を持っているかを解説する。

近年のAIの急速な発展は多くの教訓をもたらした。その中で最も重要なのは、コンピュータインテリジェンスは本質的にデータの関数であるということだ。今日のアールフォントモデルとその能力が存在するのは、少数のラボが膨大なトレーニングデータエンジンを構築し、それを餌にしてモデルを学習させたからだ。このエンジンはインターネット上の大量のフリーテキストに基づいている。トレーニングデータは現在もロボティクス分野における重要なボトルネックとなっているが、違いはロボットのトレーニングデータには人間の物理的な実行と記録が必要だという点だ。現在のロボット開発者はスクレイピング可能なトレーニングデータコーパスを持っていないが、まさにこうしたトレーニングデータが入手困難であるゆえに、高い価値を持っている。本稿では、なぜ我々がデータ層を今日のロボティクス分野で最も価値の高い機会と見なし、どのようなタイプの企業がその機会を掴む条件を最も備えているのかを論じる。

インテリジェンスとデータ

コンピュータが発明されてから70年が経過したが、機械にタスクを本当に完了させることは、しばしばそれ自体が別のタスクとなる。機械が従う順序でステップごとにコードや手順を書き出す人物が必ず必要であり、これは元々固定的で精密なプロシジャに基づく業務に完全に適合していた。数学計算、帳簿処理、決算調整など人間が行ってきた作業は数世紀続いてきたが、コンピュータは同じプロシジャをより高速に実行できる。自動化は職務と産業全体を再構築したが、基本的にシングルタスクに限定され、さらに重要なのは機械が行うあらゆる行為は事前に人間によって記述されていなければならないという点だ。

現在、機械は流暢な散文を作成し、具体的かつオープンエンドな質問に回答し、素朴な言語記述をコードや本番環境対応アプリケーションに変換することができる。この根本的な転換は、機械に対して指示を与える内容と方法の変更に起因する。タスクは依然として指示から始まるものの、指示を得た後の機械の能力は大幅に進化している。さらに重要なのは、指示自体がはるかに直感的かつ単純になり、特に詳細な仕様から簡潔な文へと簡略化できる点だ。

重要なのは、機械の能力を変化させるにはまず入力を変更する必要があるということだ。機械は今や特定のタスクを実行する方法に関する正確な指示ではなく、多種多様なタスクが実行された事例の大量データを与えられ、それらの事例を観察して学習するようになった。モデルは文を書く方法を教えられるのではなく、十分な数の文を処理することで自身でタスクを習得する。コードを書く方法を教えられるのではなく、十分に動作するコードを処理することで自前でコード生成を学ぶ。2つの特定言語間の翻訳方法を教えられるのではなく、十分な翻訳テキストを処理することで自身で翻訳を習得する。

この違いをよく説明するために、電卓とChatGPTを考えてみよう。電卓は定義された範囲内の数値演算であれば複雑な計算も実行できるが、記事の作成を命じられても役に立たない。一方、言語モデルは電卓として機能させつつ、記事作成やウェブ検索、動作可能コードの生成などを行い、それ以上のことも可能だ。重要な違いはトレーニングデータにある。初めて見る問題に回答するパターンは実際の事例からしか学べないため、AIモデルが訓練される例が多ければ多いほど、捉えることのできる世界の構造が多く、実行可能なタスクも増える。まさに同様のメカニズムが物理世界におけるロボットでも発生しようとしている。そのため、まずそれがソフトウェア領域でどのように展開するかを理解しておくことが有益だろう。

パラダイムの転換点

2020年、OpenAIはGPT-3を発表し、数年後にChatGPTが登場した。多くの人にとって、これは初めて推論のように振る舞う実用的なアプリケーションだった。ChatGPTはあらゆる種類の質問に回答し、文章を作成し、言語を翻訳し、動作可能コードを生成でき、通常は短いプロンプトのみで済んだ。これらの能力は強い共感を呼び、ChatGPTは開設後5日でユーザー数が100万人に達し、公開から2ヶ月以内に月間アクティブユーザー数が約1億人となり、当時コンシューマーアプリとして最速の採用記録を樹立した。

ChatGPTは当初GPT-3.5上で動作していたものの、このブレイクスルー其实追溯至GPT-3であり、GPT-3が可能だったのは前所未有的规模的训练数据规模空前绝后。GPT-3は同一基盤GPTモデルの第3世代目であり、各世代のパラメータ数は前世代比でおよそ1桁増加した。参考までに、パラメータはモデルがパターンを認識・復現するという中核機能を支える構成要素であり、パラメータ数が多いほどこの能力は強化される。GPT-1は約1億1700万パラメータ、GPT-2は約15億、GPT-3は1750億パラメータだった。

パラメータ数の飛躍的増加はそれぞれ、AIモデル学習において以前は必須と考えられていた煩雑な工程を排除しようとした試みだった。GPT-1は、生テキストから学習した言語能力を特定のタスクへ転移可能であり、ゼロから開始する場合と比較して必要なタスク固有データが遥かに少ないことを示した。同モデルはまず大規模な未注釈テキストで次予測単語の学習(プレトレイン)を実施し、その後各特定タスク用に比較的小さな注釈済みデータセットでファインチューニングを行った。

ファインチューニングが難しい部分だ。新しいタスク毎に新たなファインチューニングラウンドと独自注釈サンプルが必要になるため、GPT-2はファインチューニングが本当に必要かどうかを検証した。考え方はこうだ。「十分に多様なテキストで学習した言語モデルは本来マルチタスク型であり、過去にファインチューニングされた経験がないタスクでも、学習データの中にすでにそのタスクが含まれていれば対処可能」という考え方である。この能力を検証するためにはGPTモデルの入力規模拡大が必要であり、OpenAIはパラメータ数を10倍以上に引き上げて15億とし、より大規模で多様なWebコーパスで学習した。最大バージョンは8つの言語ベンチマークテストのうち7つで、ファインチューニングを全く行わずとも当時最先端の成績を記録した。単にモデル規模を拡大しただけで、かつて不可欠と思われていた一工程を排除することに成功したのである。

GPT-3は同じ賭けをさらに加速した。1750億パラメータを約3000億のテキストトークン(単語の一部を指す単位)で学習させ、これらはフィルタリングされたCommon Crawl、WebText2、書籍コーパス2つ、英語ウィキペディアから重み付け比率でサンプリングされたものである。規模がこれほど劇的に変化したのに伴い、能力も相応に向上した。GPT-3はプロンプト内にサンプルを数個配置するだけで新規タスクを実行でき、ファインチューニングは完全になくなった。

今日のモデル能力はGPT-3を大きく超えているものの、それは依然として重要なマイルストーンである。GPT-3.5およびChatGPTの基礎を築き、その後に業界を揺るがすAIブームを巻き起こした。

インテリジェンスはデータに従う

アールフォントラボとは最先端モデルをゼロから構築する企業および研究機関のことで、OpenAIやAnthropicなどが含まれる。これらはいくつかの実用化を完了させ、世界中の数億ユーザーの手元に製品を届けた。その結果、数百億ドルの資金調達を実現し、世界で最も価値のある企業の一つになる可能性を秘めている。その成功は優秀な研究者陣と巨大な計算資源のおかげとされがちだが、モデル学習に使用される大量のデータがなければ、これらは全て不可能だった。

GPT-3が証明したように、アールフォントレベルのAIモデル能力に迫るものを構築するには、膨大なトレーニングデータが必要である。ここで注意すべきは、トレーニングデータはすべて同じではないということだ。インターネットから収集した生のテキストは無料で豊富に存在し、モデルに言語の仕組み、語彙間の結合、議論の構成、事実の出所などを教えることができる。収集コパスが拡大すればするほど、それを用いて訓練されたモデルの能力は向上する。ついには誰も特意に構築していないタスクへと汎化し始める。GPT-3は言語間翻訳や単語の並び替え、基礎的な数学を行うことができるが、これらいずれについても專門訓練されていない。実際、GPT-3はFacebookの最先端言語横断モデルXLMを上回るフランス語-英語翻訳性能を発揮した。ペアリングされた仏英テキストでは学習しておらず、プロンプト内の少量のサンプルのみでカバーした。

しかし、モデルが生情報だけて学習しないのには理由がある。このようなモデルは、正解か有用かどうかに関わらず、説得力のある答えを返しがちだ。精度を高めるには、人間がモデルのどの回答が本当に優れているかを判断する必要がある。一人の評価者がプロンプトとモデルが生成した2つの回答を目にし、どちらが優れているかマークするか、回答を読んで誤りを修正するか、あるいはモデルが本来返すべき回答を最初から書き上げる。それぞれの判断がトレーニングサンプルとなり、モデルは人間の好みの出力を優先するように最適化される。このプロセスは強化学習(RLHF)と呼ばれる。これらの判断は収集テキストとは異なるトレーニングデータであり、より価値が高く、より高額だ。なぜなら各サンプルはオンラインで収集するのではなく、人間が出力しなければならないからだ。課題が難しければ厳しい、評価者の資格基準も上がる。税務に関する回答は税務に詳しい人にしか採点できない。そのためサプライヤーは医師、弁護士、エンジニアを各自の分野での出力評価のために起用する。アールフォット規模で此类データを量産するのは困難、遅く、高額である。モデル1つ最適化するのに数百人が数ヶ月かかり、コストは数千万ドルに及ぶこともある。アールフォートラボはこの分野に毎年数十億ドルを費やしている。

これらの完全な作業サンプルで学習したモデルは、タスクの計画や段階的な実行が得意であり、蓄積された経験を通じて学習過程で自己修復することも可能である。私たちはこれをエージェントと呼ぶ。エージェントは広範な生産性ツールおよび学習ツールとなった。アールフォイトラボにとって、これまでにない成長軌道を示す製品ラインになった。ChatGPTは現在週に9億人以上のユーザーを対象にサービスを提供している。OpenAIの第四半期収益は約57億ドル、2026年年率ベースで400億ドルに達する見込みだ。プログラミングエージェントCodexは2026年6月に週間アクティブユーザーが500万人を超え、2月のスタンドアロンデスクトップ版リリース時の6倍以上となった。Claude Codeはソフトウェアエンジニアリングタスクを実行するエージェントであり、ローンチから6ヶ月以内で年間収益率が10億ドルに到達し、2026年2月までには25億ドルを上回った。Anthropicも同時期の年間収益率が650億ドルに達し、2025年初頭は約10億ドルであった。AnthropicおよびリサーチファームMaterialによる米国テクノロジープランナー500名以上の調査では、86%がプロダクションコード記述にプログラミングエージェントを展開しており、42%がヒューマンインザループ条件下での開発主導を信頼していると回答した。

最先端AIアプリ初期の急成長は、新たなドメインへの適用によるブレイクスルーに由来する。現在エージェントが実行できるタスクはすべてコンピュータ上で完結する。現代社会の大半はデジタル上で動いているものの、世界とその労働の大部分は物理的性質を持つ。

AIの次の基盤は物理世界にある

2026年上半期、世界のロボット系スタートアップは188億ドルを資金調達した。一方、2025年通年は150億ドルで、2021年に記録された141億ドルの年間最高額を更新した。ソフトバンクはABBのロボティクス部門を54億ドルで買収合意し、フィジカルAIこそが次のフロンティアだと宣言した。MetaはAssured Robot Intelligenceを買収し、自前のフィジカルAIファウンデーションモデルを学習させるために充てた。Unitreeは近日中に上海証券取引所でのIPO承認を得た。配属は取引に合わせて既に始まっている。例えばBMWはドイツの工場で二足歩行ロボットを試作生産に導入し始めた。ANAは東京羽田空港で二足歩行ロボットを使った荷物搬送を行っている。

しかしながら、ロボットは1961年から既に工場で稼働し始めていた。当時Unimateのマニピュレータはニュージャージー州ユーイングにあるGMのダイカスト生産ラインに取り付けられた。1966年から1972年の間にSRIインターナショナルはShakeyを開発し、固定シーケンスの再生ではなく自身の動作について推論可能な初の自律移動ロボットとなった。早稲田大学は1972年にWABOT-1を完成させ、これが世界初のフルサイズヒューマノイドロボットである。

ではなぜ、資金と注目が急にここに来て高まったのか?

ロボットはnow考える器官を手に入れた。ロボットが行動を起こすためには、まず何をするべきか決定する必要がある。意思決定には物理世界の仕組みに関する膨大なディテールの理解が欠かせない。言語モデルはインターネットテキストからこれら情報を吸収しており、だからこそロボットはそれを脳として活用できる。ただし言語モデルはソフトウェアを処理しテキストを出力するのに対し、ロボットは物理世界を扱い、出力は動作となる。ビジョン・ラプアクション(Vision-Language-Action、VLA)モデルは、物理世界とソフトの世界を橋渡しするソリューションとして登場した。ロボットカメラが撮影した映像と受信したコマンドを入力として受け取り、実際のジョイント運動を出力する。これは実質的には、ロボット開発者が各デバイス毎にカスタムコードを書いて單一タスクしか実行させなくてもよくなることを意味する。彼らはAIアプリを扱うようにシンプル自然言語でタスクを指示し、リアルタイムで動作計算を行えるようになる。

ロボットのボディ価格が低下した。ロボットはカメラとLiDARで周囲を認知する。LiDARはレーザーパルスを送信し、反射して戻るまでの時間を計測することで周辺環境のマップを構築する。10年前、LiDARユニットは依然として高価すぎると見なされていた。その後スマートフォンメーカーや自動車メーカーが同センサーの大量調達を開始し、それによってロボット企業を含むすべての関係者にとって価格圧力が高まった。モーターや関節のコストもそれぞれ下落傾向にある。その理由は、かつて少数の日本・ドイツ企業が小ロット生産していた部品分野に中国メーカーが進出したからだ。中国製パーツで組み立てられたヒューマノイドロボットの製造コストは現在約3万5000ドル。UnitreeのG1ヒューマノイドは販売価格1万3500ドルである。

高度なインテリジェンスと低価格化ハードウェアは、ロボットおよびその能力進化にとって極めて重要だ。しかしAIモデル同様、全ての基盤となるのはレイヤー学習データである。なぜこれらのデータがこれほど高い価値を持つのかを理解するためには、まずロボットとは何かを振り返っておく必要がある。

ロボットの理解

定義上、ロボットは環境を認知し、思考し、意思決定を行い、物理世界で行動を実行する自律型マシンである。簡単に言えば、「身体を持つコンピュータ」のことだ。

ほぼ全てのロボットは同一構成部材で組まれており、各部品は人体の生体器官に対応している。骨格は一般的に金属製で、リンクと呼ばれ剛体のセグメントで構成される。リンクはジョイントで接続されており、それらが動きを生み出す。センサは機械の感覚器官を構成し、ロボットの自身リンク位置を測定するための proprioception センサと、ロボットが置かれた環境を測定するための外側センサが含まれる。アクチュエータは最も一般的に電動機で、ロボットの筋肉として働き、伝動機構(ギア等)を介してリンクに力を加え、力を増幅すると同時に速度を比例して落とし、ゆっくりと力強い肢体化運動を可能にする。銅線がアクチュエータに電力を供給し、信号はデータバス経由で逆方向に伝達される。データバスは共有ラインであり、各ジョイントとセンサが接続され、各メッセージは送信側部品のアドレスを付番されている。電源は壁コンセントからのケーブル供給(工場の殆どアームのような形態)、またはロボット搭載バッテリーのいずれかから供給される。

フィードバックループによりこれらの異なる物理部品が連結され、ロボットが実際に物理的操作を実行し、プロセスを記録しつつ学習を改善できるようになる。より正確に言うと、ロボットソフトウェアはセンサから情報を受け取り、それを処理して次の行動を決定し、アクチュエータにコマンドを送信する。アクチュエータが目の前の物体に加えた力を、センサが後から読み取り、ループが完結する。ロボティクス学者はこれを知覚−計画−行動フレームワークと呼ぶ:何が起きたかを把握し、どう行動すべきかを決定し、実行し、そして各観測から学習する。

知覚と行動はハードウェアベースの機能であるため、そのパフォーマンスは利用可能なコンポーネントとそのコストに依存する。一方、計画はソフトウェアベースであり、トレーニングデータの入手可能性と品質に大きく左右される。

ロボットトレーニングデータの理解

ロボットはタスク実行映像から作業遂行方法を学習する。各映像には同期された2本のストリームがペアになっている:1)カメラとセンサが何を記録したか、2)同一時刻にどのようなモーターコマンドが出力されたか。十分な数のこのようなペアがあれば、モデルは関連付けを開始し、タスクが完了する様子を目撃することから自ら完遂に至るまで対応できる。

このプログラミング工程は、固定單一タスクにおいては問題ない。なぜなら一度書けば繰り返し再現できるからだ。工場生産ラインでパンチを押印するロボットアームを考えればよい。同一時刻に同一位置の同一パネルに出会うわけだ。しかし、ある程度の変化や不確実性を含むタスク(日常生活の大多数が該当する)では事情が複雑になる。特にリアルタイム実行時には無数の潜在的な意思決定があり、その多くは経験と直感によってのみ習得可能だ。誰しもシャツを握る際の適度な力量や、カップを保持する力のバランスを言語規範として書き留めようとはしない。そのためロボット開発者は、明示的な仕様に落とし込む代わりに、タスクの実時間実行録画を通じてこの暗黙知を取得する。

ロボットモデル(脳の役割を果たすもの)は単純明快な質問に答える必要がある。「今、カメラとセンサが映している内容に基づいて、次のモーターアクションはどうあるべきか?」。カメラ画像およびロボットの関節・指先センサの読み取り値は、熟練オペレータがその瞬間に生成した具体的なモーターコマンドと並べて提示される。インターネット上には膨大な動画コンテンツが存在するが、その大多数はロボットの学習に必要な上記2条件を満たしていない。現在、ロボットトレーニングデータの生成・収集には複数の異なる手法がある。

テレオペレーション:人間が直接ロボットを操り、ロボットの肢体を通じてタスクを実行する。モーショントラッキングデバイスやロボットアームをミラーリング可能なコントローラを使用して制御する。システムはロボットが何を見ているか、ジョイントセンサが何を読み取っているか、そして操作者の動作がどのようなモーターコマンドを生成したかを記録する。

モーションキャプチャ:担当者が追跡マーカーまたはセンサーギアとグローブを着用してタスクを実行し、躯体および手部の高精度3D軌跡を生成した後、それらをロボットジョイントに再マッピングする。

ワンポイントビュー動画:ヘッドマウントカメラで人間が両手を使ってタスクを行う様子を記録し、ソフトウェアが動画を解析してフレーム単位で手の位置と指先の姿勢を推定し、同等のロボット動作に変換する。

合成データ:シミュレートされた環境下で仮想ロボットがタスクに挑戦するプロセスを模倣し、各試行をトレーニングサンプルとして記録する。

注目すべきは、デモデータのみで学習させたモデルは必然的に天花板に突き当たる点だ。大半のデモはタスクが順調に遂行される様子しか示しておらず、モデルはエラーを一度も目にしたことも、失敗時にどう対処すべきかを学んだこともないからである。一般的な解決策は、データ生産プロセス自体を閉ループ化することだ。正式なロボティクス用語ではDAgger(Dataset Aggregation、データ集合)と呼ばれ、インタラクティブインミテーションラーニングの一種である。人間のデモで初期モデルをトレーニングした後、ロボット自身がタスクに挑戦させる。もしミスをした場合、人間オペレータがテレオペで介入して誤りを修正し、制御権を再びロボットに渡す。同時に修正内容はロボットの将来学習用のトレーニングデータとして蓄積される。ロボットチームの最終目標は、ロボットが自律的に練習を行い、その試行を定義されたルールセットで採点して成功行動を強化することにある。ただし実践的には、現時点での大半の研究は初期段階にあり、人間がこのサイクルに密接に関与している。

学習サイクルから誕生するものが、我々がロボットの「脳」と呼ぶものである:カメラおよび関節センサの特定時点におけるレポートを受信し、次のモーターコマンドを返すべく訓練済みモデルである。現在のモデルは3つのグレードで提供されており、各グレードはロボットが獲得する自律性の度合いに対応している。

第1グレードはスキルモデルであり、最も専門的特化型だ。学習サイクルを実行させることで、環境に微細な差異があっても単一タスクを実行する。工場のラインワークに特化した単一反復動作専用ロボットのように聞こえるだろう。だがスキルモデルは異条件下でも唯一のタスクを実行することを学ぶ。例えば異なる設置位置や照明環境下での作業遂行が可能になる。第2グレードは自律モデルである。異なるスキルモデルを連結して全体の業務フローを構築し、各ステップ間の意思決定を担い、必要に応じて個別のスキルモデルをオンデマンドで起動する。第3グレードは現在広く認知されている「アールフォント」、すなわちビジョン・ラプアクション(VLA)モデルだ。これは単一の学習システムであり、視覚情報、日常言語コマンドの理解、および行動実行を統合する。この設計は言語モデルからインスパイアされており、複数の先進実装において実際に採用されている。1つはチャットボットの背後にある同等系統の大規模ビジョン・ラップションモデルで、シーン理解や行動計画といったスローなハイレベル推論を担当する。もう1つの高速コンポーネントは計画を秒間複数回の連続モーションコマンドに変換する。

VLAはインターネットスケールのプレトレーニングから汎用知識を引き継いでいるため、登場時点で誰もが教えたことのない事項を知っていることになる。これにより、新規能力の付与方法が変革した。スキルモデルは既定タスクの外界については何も知らない。故に新規タスクはゼロからのスタートであり、デモが一つ追加されるごとに学びを追加していくしかない。一方、VLAは日常言語でタスク指示を受け取ることができる。すでに物体や目的に対する一定の認知基盤を持っている。そのためVLAに対するデモは物理的操作スキルの提供だけでよく、スキル・物体・タスク概念を一度に伝えなくても済む。

データのボトルネック

此类データの生産方法は皆、同根の物理的制約を受ける。データが存在するためには、まず物理実行が一度発生する必要がある。1つのデモ録画時間はタスク執行時間と同じ長さである。全程占用了ロボット、作業場空間、およびオペレータの労務時間。言語モデルがより多くのデータを必要とする際、AIラボはより多くのウェブサイトクロールと注釈担当者の雇入に着手する。しかしロボットがデータを求める場合、解決策はより多くのロボット、より多くのオペレーター、より多くの倉庫労働時間を要する。

モデルはある程度の汎用能力をタスク間で転移させることは確かに可能だ。だが新規タスクを確実に遂行するためには、その特定タスクのデモデータが依然として不可欠である。各タスクには物体・配置・照明などのばらつきがあり、それぞれを網羅する必要がある。ゆえに短期的にデモデータ要求が鈍化するとは考えにくい。将来的にはモデルが言語モデル同様に僅かなサンプルのみで新規タスクを学習する可能性もある。だがGPT-3及びその後継が示した通り、能力の飛躍的進化はトレーニングデータと入力規模の指数関数的拡大によらずして実現しない。

ロボットの巨大なチャンスはデータレイヤーにある

ロボット系スタートアップの2026年第1四半期調達額は2025年通年を上回った。2025年自体が歴代最高記録を更新していた。市場の熱狂と現実の乖離、ならびにロボット需要と現在の技術実力の差は依然として大きい。要約すれば、ロボット需要は非常に大きいが、現状のロボットは十分とは言えない。ロボット開発元の宇樹科技(Unitree)は2025年に5500台を超えるヒューマノイドロボットを出荷した。これは会社発表によると世界の単一メーカー最高出荷台数である。BMW、メルセデスベンツ、Amazonなどの象徴的企業による導入はパイロットプロジェクトの域を出ず、導入数も数十台にとどまる。産業顧客が求めているのは95〜99%の稼働率を確保できる機器である。現在のヒューマノイドロボットは動作30〜90分で充電または人的介入を必要とする。ロボットの手は可変物体を安定して扱えない。脳部分にあたるモデルは過去数年でアールフォイトラボによって大きく進歩したものの、物理現実の差異や突発的な複雑さ面前では依然として混乱をきたす。

GPT-1〜3の三代にわたる進化は、能力差を埋める最も有効な手がかがモデルへ高品質なデータを供給することであることを証明した。ここでの制限点は、言語モデルが要求するデータがすでに相当程度満たされていることである。これは人類が数世紀にわたり歴史を記録・記述してきた賜物である。ロボットに求められるデータはマルチモーダル、タイム同期、かつ物理取得の要件を持つ。つまりテキストのようにクロール収集できず、人間がロボットおよび録画デバイスを操作して生成しなければならない。注釈付けもテキスト注釈のように並列化できない。皿を安定して置けたか不安定かを見極めるのはパターンマッチングではなく物理直感が要求されるからだ。したがって注釈チームを数千名のテレワークワーカーへ単純に拡張することは不可能である。

ロボット製造者、無論のロボット企業であれモデルラボであれ、全員がこれらのデータを必要としている。しかしそれを獲得する近道はない。公衆データセットの内容は特定のロボットへの移管がほとんどできない。自社内でのデータ生産とは、倉庫運営、フライト(機体)運用、オペレータ管理、および関連する全コスト負担を意味する。Software領域ではすでに類似のケースが存在する。アールフォイトラボはインターネット上に存在しない人間的判断および専門家が編纂したサンプルを必要とし、当該データを生成するサプライヤー(Scale、Surge、Mercorなど)は総収益85億ドル規模のカテゴリーへと成長した。

今後の展望は垂直統合にある

有用な対比として半導体製造業がある。チップ設計とファブ(製造)は別々のビジネスである。設計は知的財産権であり、シリコンウェーハへの露光・エッチング設備は数百億ドルの投資が必要で、満工場で稼働しないと損益分岐点を達成できない。そのため多くのチップ会社は自社ファブを保有していない。NVIDIA、Qualcomm、Appleはいずれもチップを設計するが、自ら製造せずTSMCに委託する。TSMCは自社のプロダクトを設計せず、現在は全世界で最も最先端なチップの大部分を製造している。

ロボットデータレイヤーは高い価値を持つものの、占有は容易ではなく、ましてや成功するのは尚更難しい。特定ロボットの肢体で録画されたデモおよび関連データセットは、他のロボットへ移植できない。つまりデータサプライヤーは顧客毎に製品を再構築せねばならない。前述の通り、デモのみに頼って教えられる事柄にも限界がある。デモはタスクが正しく実行される様子しか示さないからだ。モデルはエラー発生時の挙動をまだ学習していない。学習過程では頻繁にオペレータの介入が必要な場合がある。ロボットトレーニングデータを求める顧客は生データそのものへの興味は薄く、ロボット仕様の変更に伴い継続的にデータを生産できる能力に重きを置いている。そのためには①録画用のロボット、②ロボットが遂行する実務タスク、③失敗ケースを次のモデルへフィードバックするパイプラインの3要素が必要だ。今まさに_unique_な機会が存在する。これら3つのコンポーネントを掌握することで、ある企業はロボットトレーニングデータレイヤーを支配することが可能になる。

ケーススタディ:Eastworlds

この新興機会を積極的に掴もうとしているのがEastworldsである。Virtuals Protocol傘下の新設ロボティクス部門だ。実態としては、Eastworldsはneo-deployment(新展開)ロボットラボ兼アクセラレーターであり、ロボットおよびEmbodied AI系スタートアップをサポートしている。チームはクアラルンプールで活動し、東南アジア最多となる30台以上のUnitree G1を保有する。カーネギーメロン大学や南洋理工大学など国内外の大学の研究協力関係を構築している。

Eastworldsのビジネスモデルはロボットデータ収集と新展開に軸足を置いている。データ収集範囲にはテレオペおよびグリッパーデータ、映像、 proprioception(本体感覚)、モーションキャプチャ、データセット監査・品質検査、そして人間の修正および関連リカバリデータを含む戦略改善用データセットが含まれる。データ収集に加え、Eastworldsは新規導入事業にも注力している。すなわち、これまでロボットが導入されたことのない商業シナリオにロボットを持ち込むことだ。ロボットはテレオペ状態で有償業務に従事し、その業務そのものが記録を生む。クライアントは労働力を購入すると同時に、Eastworlds向けにデータを生成するのである。

各導入現場からはデータが発生する。これらは通常非構造化であり、実務運用から派生するためエッジケースに富んでいる。これらのデータはego-centricテレオペデータ、マルチモーダルセンサ入出力、タスク遂行フィードバックの形式で収集され、同社が言うEmbodied AIデータレイクの中枢へ流入する。短期視点では、これらデータで稼働フライトのモデルを再学習させ、各ロボットが既存業務で失敗する回数を減らす。長期的には蓄積されたデータセットが次世代VLAおよびWorld Action Modelの学習素材となり、G1フライトのテレオペから完全自律への移行を推進する。

またEastworldsはインキュベーションプログラムも運営しており、審査を通ったチームへ資金を提供するとともに、1ヶ月間のロボット機体群、施設、およびテレオペスタックの利用権を付与する。各チームは独自の商用ユースケース追求に取り組む。Teng氏によると現在7チームが入居しており、エンターテインメント、石油ガス、スーパーマーケット、ホテルマネジメントの分野をカバーし、最終的に20チーム以上を受け入れる計画だ。各チームは共有フライトを用いて自前の展開を実施し、そこで生じた失敗と修理案を曝露させる。得られた学習成果やデータは全てデータレイクへ還流し、Virtualsエージェントエコシステムを駆動するのと同様のメカニズムをロボティクスに応用する。

EastworldsはVirtuals Protocolのオンチェーンインフラストラクチャを統合し、データ運営に伴う経済面問題を解決している。Eastworldsは分散型ビジネスモデルを採用しており、多数の場所で行われる数千時間の録画およびテレオペを含み、支払い前に品質検証が行われる必要がある。このような労働力を雇用するには、各対象地域ごとの給与・監督体制を構築せねばならない。代替案としてインセンティブ方式を採用し、タスクと報酬を公開して貢献者がどこからでも参加できるようにし、納品検証完了後に即時決済が成立する仕組みだ。このメカニズムを大規模に適用するためには、プログラマブルでグローバルかつ低コストな決済レールが必要である。Virtualsは既にBaseおよびSolana上でソフトウェアAIエージェント向けに資本金調達、取引、プログラム式決済のための同種レールを運用している。Eastworldsは同様の設計原理をロボットトレーニングデータに応用し、トークンインセンティブを通じて分散労働力の募集および支払いを行う。

このデータの市場にはすでに支払いが存在する。Teng氏によれば、バイヤーは1時間のego-centric録画に対して約3〜10ドル、1時間のテレオペに対して50〜100ドルを支払っている。これらの単価はアジア各地域の典型的な時給を上回る水準である。伝統的にトークンインセンティブプロジェクトは新規参入が止まると資金枯渇により崩壊しやすい。なぜなら外部に購買者がいなければシステムは維持できないからだ。しかし今回はインセンティブが有料顧客、すなわちデータを買い求めるラボによって裏打ちされている。したがってデータ需要が残存する限り、資金プールは維持可能である。

総合的に見ると、Eastworldsのロードマップは以下の通りである。現在はデータ販売と新規展開を実施しており、バイヤーは双方に対して既に課金済みである。これらの有償展開を活用し、段階的分捕獲だけでは得られない情報、特に修正データ(修正痕跡)を収集する。続いて増加の一途を辿るデータレイクを用いてモデルを訓練し、単一タスクモデルから始め次第に汎用度の高いモデルへと昇華させていく。これらのモデルはそれぞれが原初データよりも大幅な高額で販売可能になる。Eastworldsはデータレイヤーで稼働するが、その競争優位性(モート)は継続的データ生産に不可欠な全要素、G1機体群、オペレーター、インキュベート対象チーム、現地展開拠点、ならびに基盤決済レールを含んでいる。

リスクと重要考慮事項

勿論、ロボットデータレイヤーの拡張に伴い留意すべきリスクや重要考察点が存在する。本カテゴリに対する最も根深い批判は、テレオペが最終的にロボット自律性の獲得につながらない可能性がある点である。オペレータの介入があって初めてホテルでのシフトをこなせるロボットは、たとえ自律化を目指しても人間が関与し続けており、そこに追加されたコストとしてロボット本体および関連経費が乗っているに過ぎない。テレオペサプライヤーおよびロボットメーカーの見解では、これらは業務変動が小さく失敗が反復する状況下における暫定段階であり過ぎない。モデルは確かに絶えず改良を重ね、いずれオペレータの完全介入が不要になるはずだ。当初ロボットにとって難易度が高かった、物体・配置・失敗パターンが絶えず変化するタスクこそ、今日なおオペレータが完全に手を離せない領域である。これらのタスクこそが最も高価値なデータを生成する。したがって、完全自律が永久に来ない世界においてもサプライヤーは依然として収益性を維持し得るのである。

シミュレーションは録画デモへの需要を脅かす要因となっており、録画デモこそがデータサプライヤーの販売商品である。オペレータの手作業録画では1時間当たり平均5〜50クリップが生成されるのに対し、シミュレータは一晩で数百万回をほぼゼロコストで走らせることができる。シミュレーションが依然として苦戦しているのは接触現象であり、2つの物体が接触すると模擬物理演算と現実物理はすぐに乖離するためだ。これがシミュレーションデータのみの学習では物品抓取ロボットの訓練ができない理由である。各チームは照明、テクスチャ、摩擦などのシミュレータ条件をランダム化することでこのギャップを縮小させようとしており、これによりモデルが特定レンダリング特性に過学習するのを防いでいる。さらにシミュレータの物理設定を調整し、模擬アームの挙動が実機と一致するようチューニングしている。

ロボットトレーニングデータ自体の価格も低下趨勢にある。SVRC発行の『2026年版ロボット業界現状』によると、1時間分の高品質テレオペデータ価格は2024年初頭に約340ドルだったが、2025年第4四半期に136ドルまで下落し、2026年3月には118ドルまで低迷した。価格下落は2つの要因によって牽引されている。第一にマスタースレーブ装置が2000ドルを下回り、オペレータが小型複製アームを動かすことでロボットに追従させる構成においてカスタムハードウェアが不要になったこと。第二に、DROIDやLeRobotなどのソフトウェアがオペレータの生ログを直接トレーニング準拠データセットへフォーマット可能となり、手動クリーニングが不要になったこと。これら両方の技術は現在も継続的に改善中である。したがって、録画時間単位を販売するサプライヤーは、2年間で約66%価格が下落する市場に参入していると言える。

競合他社のロボットデータサプライヤーもEastworldsとほぼ同時に垂直統合路線へ舵を切っている。Adamoは40ms未満の遅延を実現した制御ソフトウェアを添えたホステッドテレオペサービスを販売し、ロボット企業が自社運営を構築する必要をなくしている。XDOFは2024年10月に設立され、單純なる録音データ販売からデータクレンジング、ツール提供、注釈付けまで事業領域を拡大した。創業者の見解では、録音データの単体販売は行き詰まりであると判断した。Physical Intelligence、Lux、iMerit、DataX Powerはいずれか形でホステッド収集および関連ツールパッケージを販売している。DataX Powerは東南アジアでプロジェクトを展開しており、Eastworldsの事業エリアと重複する。しかしそれらはいずれも自社の有償商用展開は実施していない。修正データは商業展開から生まれるものであり、倉庫にオペレータを追加投入するだけでは模倣できないフィードバッククローズドループの肝要部である。収集層は確かに混戦状態だが、展開層は非常に薄くなっている。

ロボットメーカーが直面する自然な課題は、数社が既に自社トレーニングデータを生産し始めている点である。FigureはBMW展開において自社テレオペフライトを運用している。Tesla Optimusプロジェクトも同様のループで構築されている:ロボットを展開し、失敗を記録して再学習させる。これらの運営者は既にハードウェア、展開拠点、顧客ネットワークを掌握している。つまり彼らはデータを購入する第三者よりも速くデータを蓄積できることを意味する。

だが彼らが蓄積するデータはあくまで単一ロボットが単一企業内で稼働させた分に留まる。一方、あるサプライヤーはホテル、農場、倉庫といった20社の異なる顧客へサービスを供給している。同サプライヤーが集約するデータの多様性は、単一メーカーの機体群だけでは到底生み出し得ない。FigureとTeslaは確かに世界中で資金調達力が極めて豊富なロボットチームである。その下位に控える数十社のロボットメーカーが如此大な規模の運営を維持できる資金力はない。まさにここに独立系のサプライヤーが現実的に販売可能な市場が開けている。

トークンで貢献者に支払う形式は、毎国ごとにビデオ録画業務に対して給与制度やコンプライアンスを構築する必要を回避する。しかしながらこれは貢献者の収入をトークン価格に連動させ、労働内容そのものには連動させない。そのため仮想通貨市場の下落局面では人材採用が最も困難になり、それこそが運営において最も安定的なアウトプットが必要とされるタイミングと矛盾する。この支付方式の法的扱いも、関連する主要司法管轄域の多くでは未だ定着していない。Eastworldsはこの課題に対し、インセンティブを新トークン購入者ではなく既存顧客収益で資金調達することで対応している。もちろん正しい構造であり、資金プールが新規参入者に依存しないことを意味する。顧客が継続する限りこの枠組みは成立する。一方で貢献者基盤をボラタイル資産で決済するサプライヤーには、賃金ベースの競合他社にはない第二の破綻モードが存在する。

Eastworldsは新興ロボティクス分野、特にトレーニングデータレイヤー围绕着「鍬売り」ビジネスを構築中だ。ソフトウェア版ではすでにその全行程を踏んだ。最先端ラボが最も高性能なモデルの開発にしのぎを削り、数千億ドルを投じている。それらラボへトレーニングデータを供給するScale、Surge、Mercorは既に数十億ドル規模の企業へと成長し、どれが最終勝者になろうと常に収益を上げている。

このブームはソフト領域から物理世界へ波及しつつある。ロボットは言語モデルから借用した脳と、主に中国メーカーによって大量生産された廉価な躯体を備える。全ての真剣なラボおよびロボットメーカーが、自律的に肉体労働を遂行できる同一種類のマシンを渇望している。それらがいずれも飛び越えられないのが、学習対象としての物理作業サンプルだ。これらはクロール収集できず、大部は人間がロボットを操作し、収録セッションを一つずつ積み重ねることでしか生成できない。集約された公衆データセットはモデル立ち上げを助けるが、ロボットが働く環境構造、動作するハードウェア、かつその具体的な失敗形態は再録画が要求される。したがって需要は各導入毎に更新され、一度で完結するものではない。

生デモのみを販売するサプライヤーは容易に置換えまたは搾取されやすい。録画データはロボット間で移植性が低く、少数の大口顧客が売上総額の大部分を占める傾向があるからだ。もしあるサプライヤーがロボット機体群を保有し、オペレータを雇用し、展開業務を一元管理すれば、現場で発生した失敗を次モデルへフィードバックし続けることができる。それは顧客にとって離脱または再構築が困難な存在となる。同サプライヤーが成し遂げる业务は原本ならば5社以上のサプライヤーに分業させる必要があった。まさにこれがEastworldsが構築しようとしている姿である。現在Unitree機体群はホテルおよびショッピングモールにて有償パイロット試験を展開中だ。オペレータは自律制御下の失敗時に介入する。これら双方向のデータは最終的にトレーニングデータとしてデモおよび修正データの形態でデータレイクへ流入する。データは今日のロボティクスにおいて最大のボトルネックであるものの、周辺インフラストラクチャは依然として高度に分散している。現在まさに企業に対し垂直統合を促し、可能な限り多くのロボットデータレイヤーを掌握する_unique_な機会が存在する。Eastworldsはその機会を掴むための優れた条件を具備しているが、実際に成し遂げられるかは時間の試練にかかっている。