VLA(視覚言語行動)モデルとは何か、誰が開発しているのか

VLA(Vision-Language-Action、視覚言語行動)モデルとは、カメラ映像と「コップを流しに入れて」といった自然言語の指示を一度に受け取り、ロボットが次に実行すべきモーター指令を出力する一つのニューラルネットワークを指す。写真を説明できる視覚言語モデル(VLM)を出発点とし、ロボットの実演データで追加学習させることで、出力を文字から関節角度やグリッパーの開閉といった動作に置き換える。

この言葉がロボット分野に定着したのは2023年7月、グーグル ディープマインドがRT-2をarXivのプレプリントとして公開してからだ。論文によると、ウェブ画像とロボットデータを併せて学習したRT-2は、未知の物体や環境での成功率が約62%と、前世代RT-1の32%のほぼ2倍だった。3年後の現在、主役はグーグル ディープマインド、フィジカル インテリジェンス、エヌビディア、フィギュアAI、スキルドAI、中国の智元機器人(AgiBot)で、各社はロボット業界で最大級の資金を集めている。本稿では仕組み、従来のロボット教示や世界モデルとの違い、主要プレーヤー、そして人手不足に直面する日本の製造業にとってなぜデータの確保が勝負を分けるのかを順に読み解く。

画素と文章がモーター指令になるまで

多くのVLAは三つの部品でできている。ビジョンエンコーダーがカメラ画像を視覚トークンの列に変換し、事前学習済みの言語バックボーンがそれを指示文やロボットの関節状態と合わせて処理する。最後にアクションヘッドが、関節やグリッパー、車輪を動かす数値へと変換する。エヌビディアはGR00T N1のモデルカードでこの構成を明示している。224×224画素の画像を読むSigLIP 2の視覚トランスフォーマー、T5テキストエンコーダー、ロボットの機体ごとに切り替わる状態処理ネットワーク、そして動作を生成する拡散トランスフォーマーである。

VLMを出発点にする理由は知識の転移にある。膨大なウェブ画像で学んだバックボーンは家庭や工場にある物の大半をすでに見分けられるため、ロボット学習で一度も見ていない物でも扱える。RT-2の著者らは、机の上で最も小さい物を選ぶ、ウェブでしか見たことのない数字の上に缶を置くといった新たに現れた能力の評価で60%の成功率を記録し、RT-1の17%を大きく上回ったと報告した。残る課題は、動作をどのような形式で表現するかだ。

トークンか、フローか

初期のVLAは動作を単語のように扱った。論文によると、RT-2はグリッパーの位置と回転の6次元、開閉の1次元、作業終了の1次元の計8次元をそれぞれ256段階に区切り、動作を言語モデルが文字のように出力する短いトークン列に変えた。スタンフォード大学主導のチームが2024年6月に重みを公開した70億パラメータのOpenVLAも同じ手法を採り、29の作業でグーグルの550億パラメータのRT-2-Xを成功率で16.5ポイント上回ったとしている。

トークン方式は精密な作業には遅く、粗い。最大のRT-2の制御周期は毎秒1〜3回(1〜3Hz)にとどまった。フィジカル インテリジェンスが2024年10月31日のプレプリントで示したπ0は、30億パラメータのPaliGemmaに3億パラメータの「アクションエキスパート」を接続し、画像生成の拡散モデルと同系統のフローマッチングで学習させた。乱数ノイズから出発して10段階で今後50ステップ分の動作をまとめて生成し、最大50Hzで制御できると同社は説明する。GR00T N1は同じ役割を拡散トランスフォーマーで担う。

三つ目の設計は「考える部分」と「反射する部分」を分ける。フィギュアAIが2025年2月20日に発表したHelixは、7〜9Hzで動く70億パラメータのVLMと200Hzで動く8000万パラメータの制御方策を組み合わせ、機体に積んだGPU2基で35自由度を制御すると同社は発表した。エヌビディアはこの分担をSystem 2とSystem 1と呼び、智元機器人が2026年9月8日に公開したGO-2も低速の意味計画モジュールと高速の動作追従モジュールを非同期で組み合わせた。この階層構造こそが、工場で動く既存のロボットソフトとVLAを分ける点である。

ティーチングとも世界モデルとも違う

従来の産業用ロボットは点ごとに教える。SIerがティーチングペンダントで経由点を登録するか、オフラインで軌道を作成すれば、ワークの位置が変わるかラインを改造するまで同じ動きを繰り返す。VLAはこの台本を、制御周期ごとに状況を読み取る学習済みの方策に置き換える。雑然とした作業台や新しい部品に対応できる半面、安全認証を取りやすい厳密な繰り返し精度は手放すことになる。安川電機は2026年7月、MOTOMAN NEXTにグーグル ディープマインドのGemini Robotics ER 1.6を組み込み、細かな教示なしに上位の指示から作業を計画する一方、ビジョン、経路計画、力覚はロボット本来の機能に任せる仕組みを開発したと発表した。

世界モデルは別の問いに答える。ロボットが行動したときに場面がどう変わるかを主に映像として予測し、合成学習データの生成や実機に載せる前の方策検証に使う。ランウェイは9月30日、自社の世界モデル内での方策評価と実環境の結果の相関係数が0.95だったと公表した。もっとも両者の境界は薄れつつある。ランウェイは新モデルPraxis-1をロボット制御を直接出力する「世界行動モデル」と位置づけ、ジェネラリストAIはロボットデータを使わず、装着型機器で集めた50万時間超の人の動作データでGEN-1を事前学習したと説明している。

誰が作り、誰が公開するのか

グーグル ディープマインドは2025年3月12日、Gemini 2.0を基にしたGemini Roboticsを発表し、2026年7月30日には人型ロボットの全身制御に対応するGemini Robotics 2を公開した。行動モデルの提供は今もパートナーと信頼テスターに限られる。フィジカル インテリジェンスは逆の道を選び、openpiリポジトリでπ0、π0-FAST、2025年9月からはπ0.5をApache 2.0ライセンスで公開している。エヌビディアは2025年3月18日にGR00T N1を非商用ライセンスで公開し、30億パラメータのGR00T N1.7はエヌビディア オープンモデル ライセンスでハギングフェイスのLeRobotに組み込まれた。フィギュアはHelixを自社機専用とし、スキルドAIはSkild BrainとS1を導入先への配備という形で販売する。

日本の大手は外部モデルを取り込む側に回った。ファナックは2026年5月、Gemini Roboticsの信頼テスタープログラムへの参加と、Isaac GR00T Nによる双腕ロボットの模倣学習を公表した。スキルドAIは住友電装のワイヤーハーネス製造でS1の導入を進め、三井物産とは業務用厨房での試験運用に取り組むと説明している。富士通はファナック、安川電機、川崎重工業とエヌビディア技術を使った共通基盤づくりを始めた。

コストの本丸は構造よりデータ

チャットボットと違い、VLAは学習データをウェブから集められない。ロボットの実演データの多くは、人がロボットを遠隔操作して作業させる方式で集める。フィギュアはHelixの学習に約500時間の遠隔操作データを使い、フィジカル インテリジェンスはπ0に7種類のロボット構成と68の作業にまたがる1万時間超を投じた。スキルドAIは8月、4分を超える作業の実演を380回集めるには遠隔操作で50〜100時間かかると試算し、S1は動画1本で同等の効果を得られると主張した。

エヌビディアは11時間で78万本の合成軌道を生成し、これは人の実演約6500時間に相当、実データと混ぜてGR00T N1の性能を40%高めたと説明する。トヨタ リサーチ インスティテュートは2026年4月、Science Roboticsで約1700時間のロボット実演を基にした大規模行動モデルが少ない追加データで新しい作業を習得できると報告した(データ量はプレプリントによる)。

資金の流れ

各社の発表によると、スキルドAIは2026年1月に140億ドル超の評価額で14億ドルを、フィギュアAIは2025年9月に調達後評価額390億ドルで10億ドルを、ジェネラリストAIは2026年6月に4億ドルを調達した。売上高を公表しているのはスキルドだけで、9月10日に年間経常収益(ARR)1億ドル突破と有料顧客60社超を明らかにした。