このスタートアップが賭けるのは：ロボットが迎える「ChatGPTの瞬間」

ChatGPTが2022年末に彗星のごとく登場した際、大量のテキストデータによって言語分野における「スケール則」の魔力を証明した。いま、General Intuitionというスタートアップが次の奇跡に賭けている。それは、ロボットにも同様の「ChatGPTの瞬間」を経験させることだ。同社の核心的な主張は、コストのかかる現実世界のデータ収集ではなく、ビデオゲームの膨大なインタラクションデータを物理AI基盤モデルを訓練するための「デジタルスクール」として活用できるというものだ。これにより、ロボットはごく少量の現実世界データだけで複雑なタスクを習得できるようになるとしている。

ゲームデータ：物理AIの「教科書」

従来のロボット訓練には根本的なパラドックスがある。ロボットにコップを掴むことを教えるには、現実環境で何千回もの試行錯誤を繰り返す必要があり、その都度ハードウェアが損傷したり、時間とコストが膨大にかかったりする可能性がある。General Intuitionが提案する解決策は、訓練プロセスを仮想世界へ移行させることだ。同社はオープンワールドゲーム、シミュレーター、さらにはeスポーツの録画映像など各種素材から10億フレームを超えるインタラクションデータを抽出した。このデータには、把握、移動、物体の位置決め、環境への適応といった数十種類の基本的な物理的行動が含まれている。

「ゲームデータはタダ飯のようなものです」と同社の創業者兼CEOはインタビューで語った。「『グランド・セフト・オート』のキャラクターは歩き、ジャンプし、運転し、物を拾う。これらの動作は現実世界と驚くほど似ています。私たちはモデルにゲームのカートゥーン的なスタイルを無視させ、物理法則そのものを捉えさせることが必要なだけです。」

この技術の核心は「IntuitionNet」というアーキテクチャだ。これは映像データから視覚と動作の対応関係を学習し、いわゆる「物理的事前知識」を形成する。例えば、モデルはゲームキャラクターが障害物をどのように避けるか、あるいは握る力をどのように調整するかを観察することで、手動プログラミングなしに重心や摩擦力といった物理的概念を内在化できる。

言語から物理へ：基盤モデルの進化

このアプローチは、ChatGPTが大量のテキストから言語パターンを学習する方法と軌を一にしている。自然言語処理において、大規模モデルは単語の連続する統計的パターンを通じて意味を「理解」する。一方、物理AIでは、モデルは行動シーケンスと視覚フィードバックの関係を学習することで物理世界を「理解」する。General Intuitionのコアチームには元DeepMindの研究者やゲームエンジンの専門家が含まれており、「UniPhys」と呼ばれるオープン訓練プラットフォームを構築中だ。このプラットフォームにより、開発者はゲームの録画映像やシミュレーションデータをアップロードし、特定のロボットハードウェアに適した基盤モデルを迅速にファインチューニングできる。

業界アナリストによれば、この手法の優位性はデータコストの低さにある。主要なAAAゲーム1タイトルは年間で数百万時間分のプレイヤー操作データを生み出すことができる一方、同規模の現実世界ロボットデータを収集するには数十億ドルが必要となる。さらに、ゲーム環境は本質的に多様性に富んでいる。光の当たり方、天候、地形、物体の組み合わせの違いにより、モデルの過学習を防ぐことができる。

編集後記：ゲームデータは万能薬ではない

魅力的な展望がある一方で、ゲームデータによる物理AI訓練はSim-to-Real（シミュレーションから現実への転移）という核心的な壁に依然として直面している。ゲームの物理エンジンがどれほどリアルであっても、現実世界の摩擦係数、弾性変形、流体力学を完全に再現することはできない。ゲーム内で完璧にドアを開けられるロボットでも、錆びついたヒンジのドアには全く対応できない可能性がある。General Intuitionはこの問題に対して混合訓練という解決策を提示している。まずゲームデータで基盤モデルを事前訓練し、次に少量の現実データでファインチューニングを行う方法で、大規模言語モデルの「事前訓練＋インストラクションチューニング」パラダイムに類似している。ただし、この戦略の効果はさらなる検証が必要だ。

注目すべき点として、OpenAIのロボットチームである1X、GoogleDeepMindのRT-2なども仮想データによる拡張を探求しているが、規模においてはGeneral Intuitionが最も先を行っている可能性がある。もし同社の手法が成功すれば、ロボット分野もNLP分野と同様に「創発的能力」——特定の訓練を受けていないモデルが突然、未知のタスクを解決できるようになる現象——を迎えることになるかもしれない。この可能性だけでも、業界全体が固唾をのんで見守るに値する。

いずれにせよ、同社の試みはAI発展における一つのトレンドを浮き彫りにしている。データの故郷は「人間が生成したコンテンツ」から「人間とシステムのインタラクションの痕跡」へとシフトしつつあるのだ。最大規模の人機インタラクションデータソースであるビデオゲームの価値は、まだ掘り起こされ始めたばかりだ。

本記事はTechCrunchより編訳