近年のarXiv立場論文で、Elis Karciniら9名の著者は、汎用ロボット知能に関する議論がしばしばポリシースケーリング問題として単純化されていると指摘する。すなわち、より多くのロボットデモンストレーションを収集し、より大規模な視覚-言語-行動（VLA）モデルを訓練し、より広範な汎化を期待するという枠組みである。しかし、著者らはこの枠組みは不完全であると主張する。中心的なボトルネックはポリシー学習だけではなく、世界に溢れる非構造化行動データを根拠のあるロボット監督に変換するメカニズムの欠如にある。
論文によれば、人間の動き、インターネット動画、シミュレーションロールアウト、インタラクティブなデモンストレーションには、タスク、目標、接触、失敗、物理的制約に関する豊富な情報が含まれている。しかし、その情報のほとんどは、身体性に固有の行動ラベル、タスク意味論、報酬構造を欠いているため、ロボットポリシーに直接利用できない。例えば、人間が家事を行う動画はタスク目標を示すが、ロボットはそこから関節角度やエンドエフェクタの軌道を直接学習することはできない。
この問題を解決するため、著者らは次世代ロボティクスに必要な4つの不足コンポーネントを特定する。第一に、非構造化行動を自動ラベリングするデータインターフェース。これには動画からの行動セグメントの抽出、物体インタラクションの認識、タスク段階の推論が含まれる。第二に、人間の動きをロボット行動に再ターゲティングする身体性インターフェース。異なるロボットの形態や自由度が異なるため、人間のデモンストレーションを対象ロボットの運動空間にマッピングするメカニズムが必要である。第三に、物理に基づく3D推論のための世界モデルインターフェース。ロボットは2D画像認識だけでなく、シーンの物理的属性、物体間の接触力、運動力学を理解する必要がある。第四に、動画と言語からタスク進捗と成功を推論する報酬インターフェース。これには自然言語指示や動画デモンストレーションから報酬関数を自動生成し、ロボットが試行錯誤で学習できるようにすることが含まれる。
論文は、ロボット基盤モデル、クロス身体性データセット、動画からの学習、世界モデル、報酬モデリングの最近の進歩を概観する。著者らは、これらの分野がそれぞれ顕著な成果を上げているものの、統合が不足していると指摘する。例えば、クロス身体性データセットは多様なロボットデータを提供するが、自動ラベリングメカニズムを欠いている。世界モデルは物理ダイナミクスを予測できるが、ポリシー学習と効果的に組み合わされていない。報酬モデリング手法は動画からタスク成功を推論できるが、データインターフェースと連携する必要がある。
これに基づき、著者らはロボットがデモンストレーションだけでなく、より広範な物理世界から学習できるシステムを構築するための研究アジェンダを提案する。これには、非構造化データを構造化された監督信号に変換し、身体性を超えた知識転移を実現する新しいアルゴリズムとアーキテクチャの開発が必要である。論文は、このアジェンダがコンピュータビジョン、自然言語処理、ロボティクス、認知科学の学際的協力を必要とすると強調する。
本論文はarXiv（番号2606.06556）に掲載され、ロボティクス（cs.RO）分野に属し、2026年6月4日に提出された。著者はElis Karciniら9名で、Haitham Bou Ammar博士が提出者である。論文全文はPDFまたはHTML形式で入手可能で、DOIリンクも付属している。本研究は、ロボット学習コミュニティに現在のパラダイムを再考し、新たな方向性を探るための重要な視点を提供する。