物理AIは、フロンティアファウンデーションモデルにより汎用環境での能力が向上し、急速に成長しています。物理AIタスクはデジタルAIとは異なり、複数回の推論とアクション実行から構成され、各推論ラウンドでアクションチャンクを生成し、推論と実行を非同期にインターリーブします。そのため、既存のデジタルAIサービングシステムは物理AIに適しておらず、この問題は物理AIの規模とロボット群の拡大を考えると非常に重要です。
このギャップを埋めるため、研究チームはKairosを設計しました。Kairosは、生成-実行ループを第一級市民として扱い、実行フェーズに積極的に関与する初のマルチロボットサービングシステムです。従来のシステムは推論フェーズのみに焦点を当てていましたが、Kairosは実行にも関与することで、複数ロボット間の推論と実行を効率的に調整し、待機時間とリソースの無駄を削減します。
Kairosの設計思想は、物理AIにおける推論と実行が密結合な非同期ループであることに基づいています。システムは推論タスクと実行リクエストを動的にスケジューリングし、推論と実行の効率的なパイプライン化を実現します。例えば、あるロボットが前回生成されたアクションを実行している間、Kairosは次の推論タスクの入力を同時に準備することで、リソース利用率を最大化します。この設計により、エンドツーエンドのレイテンシが削減されるだけでなく、スループットも向上します。
様々な物理AIモデルとロボットを用いた実験の結果、Kairosは最先端のデジタルAIサービング手法と比較して、平均エンドツーエンドタスクレイテンシを31.8%～66.5%削減し、その効果はロボット群の規模に比例して拡大しました。これにより、Kairosは単一ロボットから大規模ロボット群まで幅広く適用可能なスケーラビリティを備えています。
本論文はYinwei Dai氏を含む5名の著者によって執筆され、2026年5月12日にarXivに提出されました。主題はロボティクス（cs.RO）および分散・並列・クラスタコンピューティング（cs.DC）です。完全な論文はarXivで入手可能であり、PDFとTeXソースが提供されています。
Kairosの提案は、物理AIの効率的な展開に新たな道を開き、複雑な環境でのロボットの実用化を加速することが期待されます。