更新履歴
- 2026-11-17: 小脳のフィードフォワード制御、運動の弾道性(バリスティック運動)、「出来損ないのラプラス」、フィクションに見る身体性と共発達の歴史について追記。
OpenAIがロボット専任チームを解散 ロボ開発の競争軸は「頭脳」から「現場データ」へという記事を目にしたとき、強い違和感を覚えた。
米OpenAIがロボット専任のチームを解散した。研究者は本体の研究部門へ、応用とハードウェアの担当はグレッグ・ブロックマン社長の部門へ移った。汎用の最新モデル「GPT-6 Astra」(以下、Astra)をそのままロボットにつないでも、かなり動くと分かったからだ。ロボット専用の頭脳を売りに巨額を集めてきた新興企業は、その前提を問われることになる。
汎用モデルをそのままつなげばロボットが動く、という言説には根本的な疑問が湧く。 逆運動学(IK:Inverse Kinematics)や動力学の計算をどこで処理するつもりなのだろうか。 まさか、超巨大な汎用モデルで各軸のサーボを直接リアルタイム駆動できると考えているわけでもあるまい。
まず直面するのが、制御ループの周波数ギャップである。 どれほど推論が高速化したとしても、重厚な VLM (Vision-Language Model:視覚言語モデル)が回るレートはせいぜい数 Hz から数十 Hz のオーダーにとどまる。 その低速なループが「この軌道をなぞれ」と空間上の目標点(ウェイポイント)を投げたところで、現実の物理世界は 1 ミリ秒(1 kHz)単位で状態が激変する。 接触瞬間の衝撃力、対象物のたわみ、摩擦の急変やスリップに対して、上位層の視覚フィードバックがリアルタイムに追従できるはずもない。
かといって、下位層のローカルコントローラ(IK や MPC:モデル予測制御)に丸投げできるのは、拘束条件と動力学モデルがあらかじめ数式として確定している剛体環境に限られる。 現場で真に価値がある「不定形の布」や「変形しやすい生鮮品」、「油で滑る部品」の扱いは、下位層の古典制御ではモデル化が困難であり、上位層の低速な推論では応答が間に合わない。 上位層と下位層の狭間に横たわるこのタイムスケールの断絶こそが、ロボティクスが何十年も格闘してきた本質的な課題である。
生体の運動制御を引き合いに出すなら、問題の根深さはさらに際立つ。 動物の身体制御の本質は、感覚フィードバックではなく、小脳による強力な フィードフォワード制御 (内部モデルによる先読み)にあるからだ。
神経伝達には数十から百ミリ秒以上の不可避な遅延が存在する。 もし人間が「コップの位置を見てから手を伸ばし、位置のズレを確認しながら少しずつ修正する」という純粋なフィードバック制御だけで動いていたなら、遅延系特有の発振を起こし、まともに手を伸ばすことすらできない。 日常の動作において、人間がコップを掴むときは「えいや」と一息に手を持っていく。 動作の大半は、小脳に刻まれた身体ダイナミクスに基づく 弾道運動 (バリスティック運動)としてフィードフォワードで一気に駆け抜け、感覚フィードバックは接触直前の微修正や予期せぬ外乱への対処にしか使われない。
いまのロボット AI の動画を見れば明らかなように、あの「おずおずと微震しながら恐る恐る手先を動かす」不自然な挙動の原因はまさにここにある。 確信を持ったダイナミクスの予測モデル(小脳)がないため、一歩動くたびに画像をトークン化して「これで合っているか?」と低速に伺いを立てる手探り運転にならざるを得ないのだ。 大脳新皮質に相当する高次推論(VLM)をいくら肥大化させたところで、この「身体ダイナミクスを極限まで予測して遅延をねじ伏せる小脳のフィードフォワード機構」の代替にはならない。 フィードバックの周波数が絶望的に足りず、それを埋めるべき小脳的内部モデルも存在しないアーキテクチャで、どうやって物理世界とリアルタイムに格闘するというのだろうか。
幾何学的な作業空間(手先座標系)と、機体固有の関節空間(コンフィギュレーション空間)の乖離も軽視されている。 汎用 VLM は画像から「手先をこの位置へ持っていく」という 3 次元の幾何ゴールを推論することはできる。 しかし、その手先位置をとるために肘関節が空間のどこを通るか、関節の角速度が発散する特異点(シンギュラリティ)を避けられるか、あるいは自身のリンク同士や周囲の什器と干渉しないかといった、機体固有の拘束条件を汎用モデル単体で把握することはできない。 下位コントローラが安全制限を発動させれば、ロボットはその場で緊急停止するか、無理な特異点回避によってタスクそのものを破綻させることになる。
さらに、記事が次の競争軸として挙げる「現場データ」の扱いにも甘さが見える。 ロボットの操作データは、テキストや画像と違ってハードウェアの機構と不可分に結びついている。 減速機のバックラッシュや摩擦特性、リンクの構造剛性、センサのレイテンシ、アクチュエータの応答特性が異なれば、ある機体で収集した遠隔操作(テレオペレーション)データは別の機体では通用しない。 いわゆる クロスエンボディメント (Cross-Embodiment:異なる機体間でのモデル共有)の壁は極めて厚い。 特定機体で泥臭く集めた動作データをそのまま汎用モデルに学習させたところで、機体差を吸収するためのキャリブレーションや制御則の再設計という、もっともコストのかかる工程から逃れることはできない。
SF の創作者ですら、身体性と知性の関係については現代の AI 楽観論よりはるかに現実的な洞察を持っていた。 たとえば『フルメタル・パニック!』に登場する自律 AI「アル」が、相良宗介とともに過酷な戦場をくぐり抜け、機体の駆動系を介した濃密な相互作用の歴史を経て初めて完成に至ったように、真に物理世界で機能する知性とは、ハードウェアと環境、そして操作者との「共発達のプロセス」そのものにほかならない。 フィクションですら直感していたこの泥臭い物理的履歴の重みを、現代の AI 界隈はまるごとショートカットできると錯覚しているのだ。
背景にあるのは、現代の AI 界隈を覆う一種の思想的病理である。 かつて Meta が画面のピクセルとキー入力ログの連なりから知性が作れると考えたように、昨今の模倣学習信仰は「出来損ないのラプラスの悪魔」と化している。 かのラプラスでさえ、もし人間の知性や身体を複製しようとするなら、数億年の進化が刻まれた遺伝子や、受精卵から神経と筋肉が編み上げられる発生過程、物理環境と格闘してきた全履歴という「初期状態とプロセスのすべて」が必要だと考えたはずだ。 ところが現代の AI 楽観論は、そうした発生の歴史はおろか、質量や摩擦、アクチュエータの内部状態や拘束条件といった物理世界の決定的な状態変数すらすべて捨象し、表層の観測ログ(画面の影と打鍵の連なり)を自己回帰予測するだけで知性も身体も再現できると錯覚している。
しかし、物理世界は確率的なトークン予測の延長で都合よく収束してくれるシミュレータではない。 質量、摩擦、慣性、遅延、剛性が支配する、厳格な決定論的かつ非線形な系である。 初期状態も身体モデルも持たない「出来損ないのラプラス」に物理制約を棚上げにしたまま、「専任チームは不要、汎用モデルで動く」と結論づけるのは、ハードウェアと制御工学の現実に目を塞いだ議論と言わざるを得ない。
高度な推論よりも、1 歳児の知覚や運動スキルを機械で再現するほうがはるかに困難である。 かつて提唱された モラベックのパラドックス (Moravec’s paradox)から何十年が経過しただろうか。 大規模言語モデルの飛躍的な成功を前にして、AI 業界は再び「高度な推論さえ解ければ、身体運動はその些細なオマケにすぎない」という古典的な錯覚に足を踏み入れている。
