Figure AIのインデックス・プラットフォーム、クラウドソーシングによるロボットデータに10億米ドルを投じる

ヒューマノイドロボティクスが金で解決できない「データのボトルネック」

Figure AIは火曜日、同社が運営するクラウドソーシング型ロボット学習データプラットフォーム「Index」が、リリース以来100カ国以上でアプリのダウンロード数が26万4,000件を突破し、週次アクティブユーザー数4万4,000人以上が、日常的な身体作業の動画を1,600万本以上アップロードしていると発表した。 同社は、これまでに貢献者に対して1,500万米ドルを支払ったことを明らかにし、今後12ヶ月間でデータとコンピューティングに10億米ドル以上を投じることを約束した。この数字は、「Index」を単なるサイドプロジェクトから、資金投入額という観点では ヒューマノイドロボット企業がいかなる単一の戦略的仮説に対しても行ったことのある最大規模の賭けの一つとして位置づけられる。その仮説とは、「汎用ロボットを作るために必要な実世界のデータはインターネット上に存在せず、家事や倉庫作業を一つずつ、ゼロから収集しなければならない」というものである。

この仮説自体は新しいものではない。真剣に取り組むヒューマノイドやエンボディッドAIの開発者なら誰でも、少なくともこの2年間は「そのデータはまだ存在しない」という趣旨の発言をしてきた。 Indexを詳しく検証する価値がある理由は、Figure社がこの主張を単なる議論の材料として放置するのではなく、具体的かつ反証可能な事業モデルとして具体化した点にある。同社が選んだモデル――一般の人々に報酬を支払って、物理的な作業を行う様子を録画してもらう消費者向けアプリ――は、ほとんどの競合他社が採用してきたアプローチとは本質的に異なる賭けである。

なぜロボットデータは単純にスクレイピングできないのか

大規模言語モデルを構築した「インターネット規模のトレーニングデータ」というアプローチは、ロボット工学にはそのまま適用できない。Figureが提示する問題の枠組みは、単なるマーケティングの美辞麗句としてではなく、その言葉通りの意味として受け止める価値がある。 「真に汎用的なロボットをスケールアップするために必要なデータはインターネット上には存在せず、現実世界、すなわち地球上のあらゆる環境で捉えられた物理現象のグローバルなサンプリングから得られなければならない」と同社は発表の中で述べた。テキストや画像は、人間が

30年もの間、コミュニケーションの副産物としてそれらを生み出してきた。特定の角度から食器洗い機に食器を積み込む人の映像――ロボットの操作モデルがそこから深さや力の情報を学習できるようなもの――は、その規模にはほど遠い。というのも、ロボット企業がそのように依頼し始めるまで、誰もそのような目的で家事を録画していなかったからだ。

このデータの不足こそが、業界で盛んに議論されている「シミュレーションと現実のギャップ」の背後にある真の制約である。 シミュレーションでは無制限に合成トレーニングデータを生成できますが、シミュレーションのみで学習されたポリシーは、実際のキッチンや倉庫の床といった、雑然としていて物理的に不整合な条件下では失敗しがちです。Indexは、実際の物理的な相互作用を大量にキャプチャすることで、まさにこのギャップを埋めるために構築されています。 Figureが自ら開示している指標からは、その捕捉作業がいかにきめ細かいかがうかがえます。収集された動画1,000時間ごとに、このプラットフォームは373の固有タスク、 1,146の固有のオブジェクト、116の固有の環境を記録している。この多様性の密度は、たとえどれほど資金力が豊富であっても、単一の企業の内部データ収集活動では再現が困難である。なぜなら、制御された実験室環境ではなく、真に多様な家庭、キッチン、作業空間へのアクセスが必要となるからだ。

ヒューマノイド分野の他社とは異なるデータ戦略

ヒューマノイドロボット企業の多くは、2つの経路のいずれかを通じてトレーニングデータを構築しています。1つは「遠隔操作」で、人間のオペレーターが物理的なロボットを遠隔操作してタスクを実行させ、システムがその際のセンサーデータや動作データを記録するものです。もう1つは、社内または契約したデータ収集者からなるチームが、企業の監督下で事前に定められたタスクを実行するものです。 どちらのアプローチも、高品質で正確にラベル付けされたデータを生成しますが、データの量を2倍にするには、関与するロボット、オペレーター、または契約データ収集者の数をほぼ2倍に増やす必要があるため、どちらも線形にスケールアップするにはコストがかかります。Indexは、データの収集にロボットの遠隔操作ハードウェアではなく、一般消費者向けのスマートフォンアプリを使用することで、このコスト構造を逆転させています。

このデバイスにより、貢献者は実際のロボットにアクセスする必要なく、スマートフォンを使ってタスクを記録できるようになり、また、直接雇用するのではなく、貢献ごとに報酬を支払う仕組みとなっている。

この逆転には明らかなトレードオフがある。 スマートフォンによる動画には、遠隔操作ロボットセッションが本来取得する精密な力、トルク、および固有受容感覚データが欠けている。つまり、Indexのデータは、遠隔操作データとは異なる、モデルトレーニングのより初期の段階に役立つ可能性が高く、ロボットが巧みな制御の最終段階で必要とするきめ細かな操作データではなく、広範な視覚情報とタスク構造をカバーするものである。 Figure社が今後12ヶ月間にわたりデータとコンピューティングに10億米ドルを投じるという方針は、同社がIndexを、遠隔操作や実験室でのデータ収集の完全な代替としてではなく、より広範なデータ戦略の一環として位置付けていることを示唆している。 しかし、その投資規模の大きさや、1,000時間あたりのタスクおよび環境密度という具体的な数値と共に開示されている事実は、Figure社が現在最も解決すべきボトルネックとして、単一のデータタイプの深さではなく、カバレッジの広さを重視していることを示唆している。

報酬体系が示唆する貢献者の経済性

週間アクティブユーザー数が4万4,000人を超えるプラットフォームにおいて、これまでに貢献者に支払われた1,500万米ドルという金額は、貢献者1人あたりの平均報酬額が控えめであることを示唆している。これは、少数の専門的な報酬を受け取るデータスペシャリストではなく、大量かつ摩擦の少ないマイクロ貢献を軸としたモデルと一致している。 Figureが開示したモデルには、オンデマンド層も含まれている。ここでは、貢献者が自主的なデータ収集だけでなく、特定の雑用や業務タスクのために予約されることが可能であり、これは純粋なクラウドソーシングと、より構造化されたオンデマンド労働市場のハイブリッドとして機能している。 この構造は、同様のクラウドソーシング型アプローチが自社のデータ戦略に有効かどうかを検討している企業にとって重要な意味を持ちます。タスクごとの報酬が十分に低く抑えられ、10億米ドル規模の事業が成立する条件が整って初めて、このビジネスモデルは規模の経済が機能するからです。

年間契約により、数万件ではなく数百万件のデータ提供に資金を提供することが可能になります。そのため、基盤となるタスクライブラリは、訓練を受けたデータ収集の専門家ではなく、一般の消費者でもロボットの助けを借りずに確実に完了できるほど、シンプルでなければなりません。

消費者向けデータプラットフォームの背後にある、購入者側の疑問

ヒューマノイドロボットベンダーを評価する調達・技術評価チームにとって、Indexは、ベンダーとの会話ではめったに直接問われることのない疑問を考察する上で有用な視点を提供します。その疑問とは、「この企業のトレーニングデータは実際にどこから得られているのか、そしてそのデータ源は、同社のロードマップが要求するペースで拡張可能なのか」というものです。 主に社内の遠隔操作データに依存しているベンダーは、自社のロボット群の規模とオペレーターの人数によってデータが制約されます。これは、ハードウェアや人員配置に投じられた資本とほぼ線形に比例して拡大するボトルネックとなります。一方、Indexが報告している規模で機能するクラウドソーシングのパイプラインを保有するベンダーは、 1,600万本の動画（増加中）という規模で機能しているベンダーは、実験室で訓練されたモデルが検証されたような限定的なタスクや環境とは対照的に、実際の商業購入者の施設が提示する多様な物理的環境において、汎用ロボットが信頼性を持って展開されるために必要なタスクや環境の多様性への道筋が構造的に異なり、潜在的に迅速であると言えます。

この違いは、今後、購入者がヒューマノイドロボットのベンダーによる能力に関する主張をどのように評価するかに影響を与えるはずだ。 制御された環境下でタスクを完璧に遂行するロボットのデモは、その基盤となるモデルが開発段階で、購入者の実際の施設に見られる照明、雑多な物、物体のばらつきに近い状況を捉えたデータを用いて学習されていない限り、そのロボットが購入者の実際の施設において、独自の照明、雑多な物、物体のばらつきの中で同じタスクをどのように処理するかについては、ほとんど何も示唆しない。 デモを鵜呑みにするのではなく、トレーニングデータの何割が購入者の導入環境に類似した環境から得られたものなのかをベンダーに直接尋ねることは、一見思われる以上に有益なデューデリジェンスの質問となるでしょう。

一見妥当な考えであり、Figure社が1,000時間ごとの詳細な密度指標、タスク、オブジェクト、環境を開示するという決定は、汎用的な機能を謳うベンダーに対して、どのような具体的な情報を求めるべきかという指針を買い手に提供している。

10億ドルという数字の背景にある構造的な賭け

ヒューマノイドロボット分野における資本配分を注視する者にとって注目すべき事実は、Figureが現在、12ヶ月間にわたり10億米ドル以上を、特にデータとコンピューティングに投じているという点だ。これは、物理的なロボットを1台も生み出さず、 出荷可能なハードウェアユニットを生み出さず、即時の収益も生み出さない支出カテゴリーであり、その規模は、多くの競合他社が製品ライン全体にわたってハードウェア製造に費やす金額に匹敵するか、それを上回るものである。この資金配分そのものが、業界の実際の制約がどこにあるかについての主張となっている。もしFigureの主張通り、アクチュエータや センサー、あるいは製造能力ではなく、汎用ロボットの能力における制約要因であるというFigureの主張が正しければ、その特定の問題解決に最大かつ最も目に見える資金を投じている同社は、構造的な優位性を獲得することになる。同等のデータパイプラインを構築するには、単一の巨額資本注入ではなく、貢献者ネットワークの成長に数年を要するため、ハードウェアに重点を置く競合他社がこの差を短期間で埋めることは困難だからだ。 もしFigureの考えが誤りであり、操作レベルの物理データが依然として、消費者向けアプリでは完全に再現できないような遠隔操作型や「ロボット・イン・ザ・ループ」方式の収集を必要とするのであれば、10億ドル規模の投資は「堀」ではなく、コストのかかる回り道になってしまう。 どちらの結果になるかは、Figureの次回の資金調達発表を通じてではなく、同社の次世代Helix搭載ロボットが、主に遠隔操作や実験室で収集されたデータに依存する競合他社と比較して、実世界でのタスクの汎化能力が測定可能なほど広範であることを実証できるかどうかによって明らかになるだろう。この比較は、今後数回の製品サイクル以内に業界が行えるようになるはずだ。

免責事項：この記事は一般的な情報提供のみを目的としており、

本記事は、投資、法律、または調達に関する助言を構成するものではありません。読者の皆様は、ビジネス上の意思決定を行う前に、一次情報源で詳細を確認してください。