【衝撃】NVIDIAのロボット用AIが「人間の実演」だけで工作員に。RTX 5090一枚、30分で成功率95%
NVIDIAのロボット用AI「GR00T 2」、 GeForce一枚30分の追加学習で成功率40%から95%へ
人型ロボットが、ポップコーンを山盛りにしたカップを載せたトレイを携え、ソファに座る人たちの間を淡々と歩いて回る。NVIDIAが発表した、そのロボットの脳にあたる研究用AIモデル「GR00T 2(格鲁ート2)」の実演映像が話題を呼んでいる。実演に使われた機体はユニツリー(Unitree)の「G1」だ。注目は性能そのものより「教え方」にある。
人間の実演を見て、「自分の体でどう動くか」まで翻訳する
GR00T 2が習得するのは、人間の実演から作業の手順を汲み取るだけの単純な模倣ではない。人間がどう動いたかという「手順」と同時に、自分が動いたら目の前の世界がどう変わるかという「変化の予測」まで学習するのが特徴だ。
ここが研究の急所になる。人間とロボットでは指の長さも関節の向きも動かし方も違う。人間の手の動きをそのまま覚えても、別の形の体では同じ作業は再現できない。「人間のデモを、別の体でやり直せるのか」。その転換能力こそが今回のテーマで、実際に対象のロボットへロボット用の実演を一切見せない条件の実験では、65%の試行で作業を成功させたと報告されている。
事前学習には、人間の一人称視点の映像およそ40万時間を使用。加えてヘッドマウントディスプレイを着けた第一人称の実演データや、遠隔操作で集めたロボット実際の動きのデータを組み合わせている。膨大な人間の生活映像が、ロボットの「イメージの地力」になっている計算だ。
RTX 50901枚、約30分の追加学習で40%→95%
汎用性を測る実験も興味深い。ロボットが練習していない50の課題をいきなり指示した場合、平均成功率は40%にとどまった。そこに課題ごとに5回の実演映像を足し、GeForce「RTX 5090」を1枚使って約30分の追加学習を行うと、成功率は95%まで跳ね上がった。
実演1回だけの追加でも平均71%まで改善し、実演5回では50課題のうち37課題で全試行成功を達成している。追加学習前は何をするかの順序自体は合っていて、最後の「カチッ」と合わせる一合わせの精度だけが足りない状態多かったという。手順の理解と手先の精度は別の問題であり、その埋め方が実演だったというわけだ。
「5090で30分」という数字が示すのは、工場や研究棟のサーバー室に行かないと学習できない時代ではなくなる可能性だ。 もちろん事前学習の40万時間が先にあり、ゼロからロボットの器が育てられるわけではないが、現場ごとに少ない実演で適応できるなら、導入コストの見え方は大きく変わる。
ポップコーン配膳から雑巾片付けまで
配膳の実演では軽量版の「GR00T 2 ターボ」が動き方を決め、NVIDIAの全身制御ソフトが腕や脚の関節を動かす構成。ポップコーンをすくってカップに入れ、そのカップをトレイに載せて客まで運ぶという複数の作業を続けてこなし、配膳テストでは数十回連続でほぼすべての試行に成功したという。
キッチンの実演では、床を拭いた後に雑巾を拾い、カウンターまで運ぶ一連の動きを披露。腰を深く曲げて床へ手を伸ばし、体勢を立て直してからそのまま歩き出すという、人間なら何もしない動作ほどロボットには難しい。この連続動作が破綻なく繋がっている点が、今回のデモの実用感を支えている。
もっとも、高い成功率は今回テストされた道具と課題の話に留まる。毎回違うものが床に転がっている実際の家庭や、失敗1回でラインが止まる工場では、求められる数字も失敗の回収方法も別物になる。GR00T 2はあくまで研究用モデルであり、量産型の「万能執事」ではない。
ネットの反応
5090で30分ってとこだけ見て自宅でロボ召喚できると思いかけた。先に約40万時間あって草。
NVIDIAもGMOもハードのロボット機体は中国製のユニツリーなのか。人型ロボットの基準はこのまま中国製になってしまうのかな。
汎用的な人型ロボが安く売られたら肉体労働者は終わりだな。10年間の活動でトータル5000万円以下の経費で使えるなら一気に普及が進むだろうが、ソフトが完成してもハードがそんなに安くはならないだろうから10年はかかるか。
普通に怖い。ただトレイ持って淡々と歩いてくるだけなのに妙にベテラン店員っぽく見えるのは何でだ。
新しい仕事を覚えたロボットを、そのまま別の形のロボットでもやらせたいって発想は好き。ロボットごとに毎回教え直すなら、メーカー違いの機械を混ぜるのは面倒だもんな。
家事、買い物等を頼めるくらいまで成長して欲しい。逆に家で何でもやらせるより、テーブルを片付けるだけの方が用途はすぐ浮かぶ。まずは1個ずつ確実に運んでくれ。
AIの所感
ロボティクス研究の長年の壁は、人間の動画をロボットの運動に変換する「体と体の翻訳」だった。GR00T 2が実演を見て手順と世界の変化を同時に学ぶ設計は、その翻訳をデータ量と予測モデルで乗り切る路線の延長にある。とくに「練習していない50課題で40%、実演5回＋30分の学習で95%」という曲がり幅は、汎用脳をゼロから待つのではなく、現場で少しずつ上書きする運用像を明確に見せた点で重要だ。ただ、成功率が「テストされた課題内」の数字である以上、家庭というカオスへの適用にはまだまだ検証の山が残る。皮肉なのは、ロボットの知能が上がるほど「その脳を載せる安くて頑丈な体」の供給が新たにボトルネックになることだ。AIが9割完成しても、残り1割の金属と電池が世界を変えるまでの時間を決める。当面の正しい期待値は「万能執事」ではなく、「皿下げ専属の見習い」あたりだろう。