ロボット工学の退屈なフロンティア

先日、王立学会のサマーサイエンス展示会で一週間過ごす機会があり、私の博士課程の研究室（オックスフォードロボティクス研究所のA2Iラボ）が出展したブースを手伝いました。その間、私は一般の方々に向けて何度も研究内容を説明しました。ここに記録として残しておきたいと思います。

インターネットで、ロボットがバックフリップをしたりマラソンを走ったりする動画を見たことはありませんか？多くの人が驚くのは、こうした動きは、私たちが何気なく行う日常的な作業（例えばお茶を入れること）よりもロボットにとって簡単だということです。考えてみてください。40年前にAIがチェスでガルリ・カスパロフに勝利したのに、なぜ洗濯物をたたむロボットはまだ販売されていないのでしょうか？それは、私たちが難しいと思うこと（チェスなど）は機械にとって簡単であり、私たちが簡単だと思うこと（現実世界との相互作用）は直感に反して機械にとって難しいからです。

私たちが現実世界で物事を簡単に行える理由は、脳がそのために非常にうまく進化しているからです。何かを拾い上げる時を考えてみてください。筋肉を動かす前に、脳は次のことを計算しています：物体の3次元空間での位置、大きさ、形状（見えない部分も含む）、おそらく重量（それによって握る強さを決める）、表面の摩擦、次の動作のためにどのように持つか、手を目的地に運ぶために筋肉をどう動かすか、姿勢をどう変えるか、そして持ち上げた後に物体がどのように動くか（例：固体か、液体が入っていて揺れるか）。これらは拾い上げるだけのことです。私たちはこれらを日々、何の努力もせずに行っていますが、ロボットは何も無料で得られません。だからこそ、LaundryBotがまだスーパーマーケットの棚に並んでいないのです。

私たちのブースは主に手作業の組み立てに焦点を当てていました。それは「RAMP」と呼ばれるタスクで、6歳の子供なら1〜2分でできるものです。私たちのロボット「フランク」は約5分でこなしました。悪くはないですが、超人的とは言えません。その理由の一つは信頼性を重視したからです。私たちは一週間連続で王立学会にいて、デモを繰り返し行いました。ロボティクスとAIの研究者は成功率90%で「仕事は終わった」と言いますが、10回に1回の失敗は、懐疑的な十代の若者にデモを行う際には壊滅的です。現代のロボティクス（そして大規模言語モデルも）は、現実の混沌とした世界で役立つ自律性に必要な信頼性には及びません。これもLaundryBotがまだ登場しない理由の一つです。

要するに、ロボットは恐らくあなたの仕事を奪ったり、あなたを殺したりするような劇的なことはしません。TikTokでバックフリップをすることはできても、お茶を入れることはまだできません。それが私たちが解決したい問題です。

よくある質問

展示会で多くの方と話す中で、様々な質問をいただきました。以下は何度も出てきた質問と、私が最終的に答えた内容です。

ロボットは何十年も前から工場で組み立て作業を行っているのでは？

その通りです。その理由は、工場内のすべてを制御できるからです。私が工場の穴あけロボットだとすると、世界について何も知る必要はありません。鋼材を与えられ、毎回位置aから位置bに移動するだけです。永遠に。もし鋼材の向きが間違っていても、その場で適応することはできません。工場では、ロボットの制御の恩恵を受けられる一方で、インテリジェントな判断は必要ありません。工場の外では、そうはいきません。比喩的な鋼材が同じように二度と現れることはほとんどありません。

手術ロボットはどうですか？

手術ロボットは工場のロボットとは異なって見えますが、実際には同じ原理を強化しています。手術ロボットは精密な運動制御を提供しますが、現実世界の理解と判断は人間の操作者に委ねています。ロボットはどこを切るか、どの臓器を扱っているかを知る必要はありません。外科医がその理解の欠如を補うのです。

ChatGPTはどうですか？これでほぼ解決したのでは？

ChatGPTは本当に印象的です。AI研究者にとって刺激的なのは、詩を書いたり国の首都を知ったりといった特定の仕事のために訓練されたわけではないことです。その代わり、インターネットデータの次のトークン予測という単純なタスクからそれらすべてを学習します。ChatGPTは、新しい状況に一般化できるロボットを訓練する道を示唆しています。

では、なぜロボット用のChatGPTを訓練しないのでしょうか？データです。人間は何十年もかけてインターネットに文章を書いてきましたが、その同じ時間を高品質なロボットデータのアップロードに費やした人はほとんどいません。そのため、RoboGPTに十分なデータがありません。

データギャップを埋めるために、新しい学習方法が必要だと考えています。現代のAIは印象的ですが、学習が遅いのです。自動運転車を考えてみてください。十代の若者は20時間の練習で試験に合格します。知恵と目だけを使って。しかし自動運転車は、360度カメラアレイ、深度センサー、高解像度地図を装備していても、100万時間の訓練データが必要です。自動運転車はかなり優れています（そして安全だと言われています）が、学習が遅いことは明らかです。それは運転のような単一の高価値ユースケースには機能しますが、ロボットが私たちと同じくらい効果的に適応し学習するためには、新しいブレークスルーが必要だと思われます。

補足：一部の人々は「視覚-言語-行動モデル」（VLA）というChatGPT的なアプローチを試みています。これは、テキストと画像を扱う大規模言語モデルを取り、それをロボットを制御するモデルに接続します。VLAはLLMがインターネットから得る広範な知識を利用して、現実世界の理解を促進するという考えです。このアプローチを取る企業の良い例がPhysical Intelligenceです。

なぜ人間はロボットよりもはるかにうまく学習できるのか？

それは大きな疑問であり、完全な答えを知る人はいません。しかし、いくつかの興味深いヒントはあると思います。

その一つは「世界モデル」の概念で、AI界隈でますます注目されています。私がコップをコンクリートの床に落とすのを見れば、あなたは結果を予測できます。現実世界で何が起こるかを予測できるのです。学習にとって、それは非常に豊かな信号です。なぜなら、自分の行動に対して世界がどう反応するかを常に予測できるからです。対照的に、タスクを完了した時だけ学習する（既存の手法の中にはそういうものもあります）のは、非常にまばらな情報源です。したがって、世界モデルはロボットが限られた経験からより効果的に学習するのに役立つ可能性があります。

より深い、神経科学からの関連する考えは「予測処理」です。これは、世界の知覚は脳が知覚すべきだと予測したものに過ぎないと提案します。予測処理は世界モデルの研究への緩やかなインスピレーションですが、それ以外にも多くの理由で興味深いものです。アンディ・クラークの『経験機械』は非常にわかりやすい入門書です！

もう一つの興味深い角度は、幼少期の学習方法です。結局のところ、5歳児はロボットが苦戦する多くの問題を解決できます。下のビデオでは、赤ちゃんがマットの上でおもちゃで遊んでいます。何かを試し、その感触をつかみ、飽きると別のことを探します。その内発的な好奇心と、十分に学んだと気づく（つまり飽きる）ことの組み合わせが、特に幼少期において、世界について非常に効率的に学習することを可能にしています。内発的好奇心に関する研究はありますが、解決された問題ではありません。遊び好きなAIを発明すれば、世界を理解するロボットに近づくかもしれません。

ロボット工学を学ぶにはどの学位を取るべきですか？

これは展示会で若い学生から常に受けた質問です。残念ながら、私自身は物理学から教育、ジャーナリズム、データサイエンス、機械学習と渡り歩いてきたため、本当に答える資格はありません。ただ一つ言えるのは、ロボット工学は学際的であるということです。ロボット工学者の学術的背景は、数学や統計学などの「純粋な」学位から、物理学、コンピュータサイエンス、電気工学、メカトロニクス、工業デザインにまで及びます。アドバイスをするなら、最も重要なのは没頭できるSTEMの学位を見つけることです。ロボットにどう関わるかは後で考えればいいでしょう。

研究の下流の応用は何ですか？製品化を意図していますか？

多くの大学の研究は下流の応用を視野に入れていると思いますが、中途半端なところもあります。私の見解では、アカデミアの適切な役割は、製品化できる段階になるずっと前にこれらのアイデアに取り組み、根本的な問題を明らかにすることです。同時に、問題によっては、より深い問題を解決せざるを得なくなるため、取り組む価値があります。RAMPのような手作業の組み立ては、現実世界での接触を伴う相互作用と長期的な計画の両方を必要とし、現代のロボットにとって二つの大きな課題です。

仕事についてはどうですか？ロボットがすべてを奪うのでは？

良い質問です。これはロボット工学者だけで取り組むべき問題ではありません。一般的に、私たちは危険で退屈で汚い仕事の自動化を考えています。そうした仕事は、人が少なくなっても構わないかもしれません。しかし、技術は過去にも仕事に影響を与えてきました。ラッダイト運動の物語を見てください。彼らは時に退行的だと嘲笑されますが、その懸念はかなり正当なものでした（『機械の中の血』は良い本です）。彼らは生活の質の大幅な低下と家族の破滅に直面していました。社会として、何を自動化し、技術の影響を受ける人々をどうケアするかを考えなければなりません。ロボット工学に限らず。

同時に、技術が仕事に与える影響を予測するのは難しいです。よく挙げられる例は、1960年代のATMの導入です。ATMは銀行のテラー（出納係）の主要業務の一つである現金の支払いを自動化しました。これによりテラーの数が減ると思われるかもしれませんが、実際は逆でした。仕事は変わり、より人間関係指向になり、現金の取り扱いは減りました。そしてATMがテラーによる現金の誤取り扱いリスクを減らしたため、銀行は支店数を拡大し、長期的にはテラーの数が増えました。モバイルバンキングが対面支店を完全に衰退させて初めて、テラーの数は減少し始めました。

ATMのケースでは、ロボットが仕事全体ではなく一つのタスクを自動化し、その結果仕事が変化しました。これはロボット工学が人々の生活を妨げないという意味ではありませんが、結果を予測するのが難しいことを示しています。

意義は何ですか？

実用的には、私は役立つ仕事ができるロボットに興味があります。経済的な理由もあります。英国の生産性は金融危機以来ほとんど伸びていません。人口は高齢化しています。労働集約型セクターは労働者を見つけるのに苦労しています。地政学的状況が国家の自給自足をより魅力的にする中で、製造能力を失っています。役立つロボットはこれらの圧力を緩和する助けになるでしょう。また、クリーンエネルギーインフラの建設と保守をより安く、より安全にすることで、ネットゼロ達成にも貢献できるでしょう。

さらにニッチですが、AI研究から人間の知能についてより多くを学べるかもしれません。一例を挙げると、TD学習と呼ばれるアルゴリズムがあり、AIが自身の経験から学習することを可能にします。TDは1991年に発明されました。6年後、神経科学の研究者が実際に脳でも同様のメカニズムが使われていることを発見しました...（原文は途中で切れています）