#67 遊びながら学ぶロボットの時代がやってきた

最近のロボットは、大規模言語モデル（ChatGPTのようなAI）を使って「やるべき動作をプログラムとして書き出し、実行し、失敗したら直す」ということができるようになってきました。ただし、これらは基本的に ​「指示待ち」​ です。人間が「これをやって」と命令して初めて学習が始まり、スキルが貯まるのも命令をこなした副産物にすぎません。

一方、人間の子どもは違います。誰かに「これをしなさい」と言われる前から、積み木を触ったりモノを動かしたりと、自由に遊びながら「どうすればうまくいくか」を身につけていきます。研究チームは「この発想を、プログラムを書けるAIロボットに応用すれば強力ではないか」と考えました。

提案された RATS（ロボティクス・エージェント・チーム）​ の核心は、ロボットを「複数の役割を持つチーム」として動かす点です。課題提案役、実行役、検証役、記憶管理役などが分業します。

ポイントは「遊び」のさせ方です。やみくもに動くのではなく ​「ゴルディロックスの原理（ちょうどいい難しさ）」​ を使います。これは童話に由来する言葉で「熱すぎず冷たすぎない、ちょうどいい」という意味。簡単すぎて学びがない課題でも、難しすぎてできない課題でもなく、「目新しいけれど今の実力でなんとか届く」課題を自分で選んで練習するのです。

そして成功した動作は、再利用できる コードの形（プログラム部品）​ として「スキル図書館」に保存していきます。失敗しても「なぜ失敗したか」を記録し、次に活かします。最終的に、貯めたスキルは別の課題を解くときに引き出して使えます。AI本体を訓練し直す必要はなく、図書館を渡すだけで使える点が画期的です。

実験では、遊びで学んだスキルが本番の課題でしっかり役立ちました。「遊びなし」のロボット（CaP-Agent0）と比べると、LIBERO-PROというテスト環境で成功率が 23.2%から43.8%へ（+20.6ポイント）​、MolmoSpacesという別環境で 21.0%から38.0%へ（+17.0ポイント）​ 向上しました。

興味深いのは「でたらめに遊ぶ」だけでは効果が薄かったこと（+1.5ポイント程度）で、「ちょうどいい難しさ」を狙う遊びが鍵だと示されました。さらに、ある環境で覚えたスキルを別のシミュレーター（RoboSuite）に持ち込むと +8.9ポイント、実物のロボットでも +8.8ポイント の改善が見られ、学んだスキルが環境を越えて通用することも確認されました。

この研究が示すのは、AIロボットを賢くする方法として ​「使う前の準備時間（遊び）」に計算資源を投資する」​ という新しい考え方です。論文では、本番でAIに何度も試行錯誤させるよりも、事前に遊んでスキルを貯めておく方が効率的だと示されました。

ビジネス的には、これは「導入前のセットアップ」の発想を変える可能性があります。工場や倉庫にロボットを入れる際、毎回ゼロから教え込むのではなく、ロボットが自分で環境を探索して使えるスキルを蓄えてくれるなら、導入コストや調整の手間が大きく下がります。

また、貯めたスキルが「人間が読めるプログラム部品」として残るため、なぜそう動くのかを後から検証・修正できる（ブラックボックスでない）点も実用上の安心材料です。スキルを「図書館」として他のシステムに渡せるので、組織内でロボットの能力を共有・蓄積していく未来像も見えてきます。