Nvidiaが40億パラメータの世界モデルをロボットに搭載【週刊Physical AIラウンドアップ】

今週のPhysical AI分野では多くの進展があった。NvidiaはSIGGRAPHで、40億パラメータの世界基礎モデルCosmos 3 Edgeを発表した。これはMixture-of-Transformersアーキテクチャを採用し、自己回帰推論器と拡散生成器を組み合わせてアクションチャンクを生成する。Nvidiaによると、Jetson Thor上で640×360の解像度、1推論あたり32アクションで約15Hzの動作を実現。ヒューマノイド、グリッパー、運転タスクに汎化できる。オープンウェイトと、DROIDでポストトレーニングされたCosmos-3-Edge-Policy、およびユーザー自身のセットアップに適応させるためのポストトレーニングスクリプトがリリースされた。しかし、エッジに十分小さいモデルが直接ポリシーを駆動できるのか、それともプランナーやオフライン評価器として使うべきかは未解決の課題だ。

研究面では、Xiaomi-Robotics-1が10万時間以上のUMI軌跡でMixture-of-Transformers VLAを事前訓練し、VLMを使用してシーンステート遷移を自動キャプション。クリーンなスケーリングカーブを示し、実ロボット評価でも性能を発揮。RoboCasa365で57.6%（従来46.6%）の新記録を達成したが、コードとウェイトは未公開。Nvidia GEARとJim FanグループのRoboTTTは、テスト時訓練をロボットポリシーに組み込み、視覚運動コンテキストを8000タイムステップに拡張、推論レイテンシを増やさずに長horizonマルチステージタスクで87%の改善を報告。事前訓練コンテキスト長がロボット基礎モデルのクリーンなスケーリング軸になるという議論は価値がある。Yann LeCunとLerrel PintoグループのPatch PolicyはVLMバックボーンを廃し、ブロック因果マスクを通じてポリシー高密度の事前訓練ViTパッチトークンを供給。大規模視覚事前訓練の利点を保ちながら、パラメータ数は約0.7%で、微調整済みOpenVLA-OFTを18%上回る効率性を示した。Fei-Fei LiグループのMasked Visual Actionsは、アクションをビデオ内の任意エンティティの部分的に明らかにされた軌跡として表現。1つの微調整済みビデオチェックポイントが前方モデル、ポリシー評価器、逆モデルとして機能する。15時間のマスク例で訓練され、生成されたロールアウトは実際の実行と十分に相関し、評価に使用できる。CMU Guanya ShiグループのWANDAは、1つの実RGBDデモからガウススプラッティングでシーンを再構築し、全身動作計画でコンタクトリッチなセグメントを再配置して、新しいレイアウトや環境にわたるフォトリアリスティックな訓練データを合成。単一デモから訓練されたポリシーは空間的・環境的に汎化し、異なる形態のモバイルマニピュレータへのゼロショット転送を示し、50の遠隔操作デモで訓練されたポリシーを凌駕した。Microsoft ResearchのOpen-AoEは、500人以上の貢献者による400台以上の電話で収集された約2000時間の自己中心的操作データセット。手のポーズ、カメラ軌跡、時間的にローカライズされた原子アクションを含む。完全なキャプチャから訓練へのパイプラインと、クロスエンボディメントリターゲッティングツールチェーンを提供。InternRoboticsのREALは、シミュレーションから現実への一貫したAPIと意図曖昧性解消のためのシミュレーションユーザーを備えたエージェント型モバイル操作フレームワーク。241タスクのベンチマークREAL-Benchとともにリリース。インタラクティブタスクで閉じたVLMに対して56.9%、60の実世界エピソードで78.3%を達成、コード公開。Sunday RoboticsのACT-2は家庭用ロボットモデルで、785回の試行で99.1%のゼロショット成功率で未見の家庭での洗濯物折りたたみを実現。1つの微調整例で汎化する行動を学習可能と主張。より興味深いのは、Solveと名付けた評価基準の提案だが、自社ブログで自己報告数値であり論文やウェイトはない。

クイックヒッツ：RoboInter1.5（23万エピソードの密な中間表現スイートとVQAベンチマーク、ワールドモデル）、MEVION（オープンな双腕遠隔操作リグ、60Nm、約1.4万ドル）、Grabette（約490ユーロのオープンハンドグリッパー、ブラウザSLAMで野外デモをLeRobotデータセットに記録）、DiMaS（訓練不要の推論時誘導によるフローマッチングVLA）、LIFT（反応型力記憶エキスパートを事前訓練VLAに移植）、IMPACT（USCのVLMプランナー、衝突回避ではなく許容可能な接触を推論）、DriftWorld（アクション条件付きワールドモデル、単一パスで将来フレーム生成、拡散ベースより約17倍高速）。

業界動向：Fei-Fei Liの空間インテリジェンス企業World LabsがロボットシミュレーションスタートアップSceniXを買収、創業者のYunzhu LiとChangxi Zhengを迎え、現実とシミュレーションのギャップを埋める研究に着手。Travis Kalanickのロボット企業Atomsがa16z主導で17億ドルを調達、重工業の自動化を進め、産業車両企業Prontoを買収。英国のHumanoidが1.52億ドルのシリーズAをクローズ、Generative Bionicsは全身触覚ヒューマノイドGene.01を発表し、オープンソース化を計画。

注目ポイント：IROS 2026はピッツバーグで9月27日～10月1日開催。Xiaomi-Robotics-1とRoboInter1.5は今週の最大のリリースだが、いずれもウェイト公開が未完了。SIGGRAPH後は、Cosmos 3 Edgeのサードパーティ実行とNVIDIA新リリースのLeRobot統合に注目。また来週！