#28 90万円で動く「考えるロボット」の正体

高価な専用ロボットを必要とせず、安価な機材でもすぐ動かせて、しかも空間を「目で見て理解しながら」動作する、完全オープンソースのロボット制御AI（VLA：Vision-Language-Action モデル）を実現した研究。

ChatGPTのような大規模言語モデルは画面の中で大活躍していますが、「キッチンで皿を洗う」「倉庫で荷物を仕分ける」といった物理世界の作業となると話は別です。一台のAIで多種多様な作業をこなせる「汎用ロボット頭脳」を作ろうという研究（VLAモデル）は急速に進歩してきました。

しかし、現実の現場で使うには4つの壁がありました。​​(1)​ Google やPhysical Intelligence社などの最先端モデルは中身が非公開、​​(2)​ 公開されているものも数百万円する専用ロボット前提、​​(3)​ 「考えてから動く」タイプのモデルは思考に時間がかかりすぎてリアルタイム制御に向かない、​​(4)​ そもそも成功率が実用ラインに届かない。この4つを同時に解決しようとしたのが本研究です。

MolmoAct2の工夫は5点あります。

①空間認識に特化した目（Molmo2-ER）​：物体までの距離、空きスペース、複数カメラ間の対応など、ロボットに必要な空間把握スキルだけを集中的に330万件のデータで訓練した視覚言語モデル。

②3つの大規模オープンデータセット：低〜中価格帯のロボット3種（双腕型YAM、超低価格のSO-100/101、Franka）向けに、合計720時間以上の作業データを公開。特にYAMの720時間は 公開されている双腕ロボットデータとして史上最大 。

③連続動作と離散トークンのハイブリッド：脳（言語モデル）とは別に「動作専門家」モジュールを設け、両者を各層のキー・バリューキャッシュで結ぶ新設計。脳の各階層の思考に直接アクセスして滑らかな動作を生成します。

④適応的な深度推論（MolmoAct2-Think）​：動作前に「シーンの奥行き」を考えるのですが、画面の中で変化した部分だけ再計算することで思考時間を大幅短縮。動画圧縮で「動いた部分だけ送る」のと同じ発想です。

13種類の空間推論ベンチマークでGPT-5やGoogleのGemini Robotics ER-1.5を上回り、平均63.8%（前バージョンから17ポイント向上）を達成。ロボット制御では、シミュレーション・実機合わせて7つの環境で最強ベースラインのπ0.5を全て上回り 、特に未知の物体・カメラ位置・環境という最も厳しい条件下のDROIDロボット実機テストでは 成功率87.1%（次点48.4%から38.7ポイント差）​ という大差をつけました。LIBEROベンチマークでは平均97.2%、8種類の実世界タスクでも平均50.1%（次点比+15%）。推論速度もCUDA Graph最適化で2.4倍高速化されました。

ビジネス的に注目すべきは ​「6,000ドル（約90万円）以下の機材セット」で動く という点です。これまで汎用ロボットAIは数千万円のハードウェア前提で、研究機関や大企業しか試せませんでした。本研究は中小企業や町工場、研究室、さらにはスタートアップでも導入できる価格帯で、洗い物・コーヒー店業務・実験室作業・在庫整理といった多様な仕事をこなせるレベルに達しています。

さらに モデルの重み・学習コード・データセット全てを公開 しているので、自社の特殊作業向けに微調整（ファインチューニング）も可能。論文では「数十回のデモンストレーションで新しい作業に適応できる」ことが示されています。労働力不足が深刻な物流、介護、外食、製造業の現場で、「専用ロボットを発注して半年待つ」ではなく「汎用ロボット＋自社データで来週から運用」という選択肢が現実味を帯びてきました。OpenAI/Googleの非公開モデルに依存しない選択肢が登場した意味も大きいでしょう。