宿題を自分で採点するロボット――これが北京が「シミュレーション・ギャップ」に対して打ち出した解決策だ

巧みな操作を追求するあらゆるロボット工学研究室は、同じ壁にぶつかります。シミュレーションや人間のデモンストレーション動画で学習させたモデルは、実験室では良好な性能を発揮するものの、学習データが予測した動きとはわずかに異なる挙動をする実際の物体と対面した途端、性能が低下してしまうのです。 「Vidu」モデルで最もよく知られ、アリババやアント・グループから出資を受けているAI動画生成スタートアップ、北京盛舒科技（Beijing Shengshu Technology）は、9月10日に上海で開催された「バンド・サミット（Bund Summit）」において、この問題に対する解決策を提案した。 「Motus2」は、清華大学と共同開発されたワールドモデルであり、単にロボットの動作がどのような結果をもたらすかを予測するだけでなく、その予測された結果が実際に適切であったかを評価し、アームが動く前に自らの戦略を更新する。

2023年に設立され、これまでは主にデザイン、広告、エンターテインメントスタジオ向けのテキストから動画への生成技術で知られていた Shengshuは、現在競合しているヒューマノイドロボットやロボットモデルの専門家たちに比べ、具現化された人工知能（embodied AI）分野への参入は比較的新しい。そして「Motus2」は、Vidu向けに構築した動画生成技術を、物理空間におけるロボットアームの動作展開の予測に直接転用できるという、同社の最も明確な賭けである。 「ボールを置く」「多指操作」「消しゴムの取り付け」「電球のねじ込み」「スマートフォンの設置」という5つの操作タスクにわたる実ロボットによる検証テストにおいて、 Motus2は平均84％の成功率を達成した。また同社によれば、同社の計画手法とモデルベースの強化学習を組み合わせたバージョンでは、別のベンチマークにおいて、成功率をベースラインの65％から72.5％へと引き上げたという。

試行錯誤に代わるループ

ほとんどのロボット学習システムは、ある動作に対して次に何が起こるかを予測するモデルと、どのような動作を行うかを決定するポリシーという2つの要素に分かれており、トレーニング中に人間の研究者や固定の報酬関数がこれらを結びつけています。Motus2は、この分割を解消し、共有パラメータを持つ単一のモデルに統合し、3つの

一連の関数を実行し、候補となる行動を生成し、その行動がもたらす物理的な結果を予測し、予測された結果が実際にタスクの進展に寄与するかどうかを評価した上で、その評価結果を次に提案する行動にフィードバックする。 Shengshuは、この結果として生じる閉ループを「再帰的自己改善」と呼んでおり、これがモデル名の「自己進化」というラベルの背景にあるメカニズムである。ロボットが未知の物体に遭遇するたびに、人間によるラベル付けされた新しいトレーニングデータを必要とするのではなく、 Motus2は、自身の結果評価を学習シグナルとして活用し、次の試行を洗練させる。

このアーキテクチャが商業的に重要なのは、ラベル付きロボットデモンストレーションデータが、身体を持つAI開発において最も高価な入力要素であり、巧みな操作モデルを構築するすべての研究室が、タスク遂行能力単位あたりにシステムが必要とするその量を削減しようと競い合っているためだ。Motus2の学習アプローチは、その代わりに、異例なほど大規模でありながら比較的安価なデータソースに依存している。 13万時間分の人間の一人称視点動画、つまりヘッドマウントカメラで撮影された映像です。Shengshuはこれを利用して、実際のロボットアームに触れる前に、人間の手が物体をどのように操作するかをモデルに事前学習させています。 この人間の動画データのみに基づいて訓練されたモデルを単独で物理的なロボットに転移させた場合、タスクの成功率は51％に達した。さらに、ロボットのハードウェア固有の動力学にモデルを適応させる第2の訓練フェーズを追加し、 シェンシュが「ドメイン適応」と呼ぶ手法を導入したところ、その成功率は84％へと上昇した。これは33ポイントの飛躍的な向上であり、同社はこれを、人間の動画による事前学習が、機械式グリッパーには汎化できない人間特有の動作パターンを暗記するのではなく、実際の操作知識を転移させている証拠であると位置付けている。

ビジョンでは埋めることのできないギャップをタッチが埋める

Motus2のもう一つの重要な追加機能は、触覚センシングである。これは、センサーフュージョンの全面的な再設計ではなく、軽量なエキスパートモジュールを通じて統合され、モデルの既存の

カメラを用いた知覚。 視覚的な位置合わせではなく接触力に依存する操作タスク（電球のねじ込みや、公差の厳しい小型部品の取り付けなど）において、触覚フィードバックを追加することで、視覚のみの構成と比較して成功率が12.5パーセントポイント向上した。この成果は、過去1年間にわたり「エンボディッドAI」という広範な分野で共通認識として定着してきた傾向と一致している。 視覚のみではロボットに物体の位置を伝えることはできるが、精密な力制御を必要とする操作タスク（コネクタの嵌合や締結具のねじ込みなど）は、カメラがグリッパーが実際にどれほどの力で押しているかをコントローラに伝えられないという理由から、視覚のみのシステムでは特に失敗しやすい傾向がある。 Shengshu氏は、Motus2の触覚機能を2つの高精巧なハンドプラットフォーム、22自由度の「Sharpa Wave」と20自由度の「WUJI Hand 2」に導入した。これらはいずれも、ほとんどの産業用コボットで依然として一般的な単純な2本または3本の指を持つグリッパーよりもはるかに複雑である。これは、Shengshu社がMotus2を、既存の自動化技術ですでに十分にカバーされている単純なピックアンドプレース作業ではなく、ヒューマノイドロボット工学分野が目指している、より器用で人間の手のような操作タスク向けに位置づけていることを示唆している。

これとは別の結果は、まったく異なる制約、すなわち「記憶」の問題を浮き彫りにしている。多くのステップにわたって展開されるタスクを実行するロボットは、初期の指示から後のステップまでの間に十分な時間が経過すると、以前の文脈を見失い、動作を繰り返したり、多段階タスクの筋道を失ったりする傾向がある。 Shengshu氏が「完全な履歴記憶」と表現するMotus2の構成は、長期的な文脈の保持が特に求められるように設計されたタスクにおいて57.5％の成功率を達成した。同社はこの結果を、問題が解決されたというよりも進歩として位置づけており、 また、この結果は、短期間のタスクにおける操作精度が向上している一方で、記憶や長期的推論が依然として具身AIにおける難解な未解決問題の一つであり続けているという現状とも一致している。

資金力のある競合他社に対して、この成果がシェンシュにもたらすもの

ライバル

Shengshuは、Motus2を、同社が公に提示している5段階の世界モデル階層のレベル3および4へと向かっているものと位置付けている。最上位レベルは、タスク固有の再学習を必要とせずに、任意のタスクや具現化形態にわたる結果を予測・評価できるほど汎用性の高いモデルを表している。 この位置づけは意図的な戦略である。これにより、中国や米国にある、より規模が大きく資金力のある研究所が、自社の具現化AIロードマップの中心に据えている世界モデル研究アジェンダとの比較が促されるだけでなく、 また、懐疑論者からはロボット工学の中核ではなく周辺技術と一蹴されかねない動画生成のバックグラウンドの強みを武器に、その競争におけるシェンシュ社の存在意義を主張している。人間の動画データで大幅に学習された自己進化型ワールドモデルが、シェンシュが結果を公表した厳選された5タスクのベンチマークではなく、実際の工場や倉庫の現場のような、より混沌として 制御の及ばない実際の工場や倉庫の現場といった環境に適応できるかどうか――これが、Motus2が他社のヒューマノイドロボットや産業用ロボットのシステム内でライセンス供与されるコンポーネントとなるか、それともShengshu自身のデモンストレーション内に留まる魅力的な研究成果にとどまるかを決定づける問いとなる。

主張の背景にある学術的提携

ShengshuはMotus2を単独で開発したわけではない。 このモデルは清華大学との共同研究によるものであり、この連携は結果の評価において重要な意味を持つ。自社のモデルに関するベンチマーク数値を公表するスタートアップは、報告された数値の正確性に学術的評判が直結している教員が共著者として名を連ねる大学所属の研究プロジェクトよりも、より厳しい検証の対象となるからだ。 また、こうした学術的な共著関係は、人材採用や信頼性確保の手段でもあり、資金力の乏しい小規模な研究室が、資金力のあるライバルと競争するためにますます依存するようになっている。というのも、大学との提携により、研究人材や独立したピアレビューへのアクセスが得られるからであり、これらは単独で活動するスタートアップが、そうでなければはるかに多大なコストをかけて社内で構築しなければならないものだからである。

コストが高くなる。この1年間で中国で最も急速に展開されたAI搭載製品に関する発表のいくつかは、この同じパターンに従っている。つまり、商用研究所が演算能力、データインフラ、製品の枠組みを提供し、大学の研究室が基礎となる厳密な研究を提供するという組み合わせであり、Motus2もこのテンプレートにほぼ合致している。

Shengshuが発表した5つのタスクからなるベンチマークも、マーケティングの枠組みが示唆するよりも範囲が狭いため、購入を検討する者はその点を踏まえて読むべきである。 ボールを置く、消しゴムを取り付ける、電球をねじ込むといった作業は、器用さを測る有用な指標ではあるが、実際の倉庫のピッキングステーションや、数十種類のSKUを扱う組立ラインに見られるような、変化に富んだ形状、照明条件、雑然とした環境とはかけ離れている。 Shengshu社は、84％という数値が、より広範な産業用ベンチマークではなく、この特定の5つのタスクセットに基づくものであることを明示しており、これは適切な開示である一方で、この数値を任意のタスクに適用可能な一般的な操作成功率として解釈すべきではないことも意味している。 同社独自の5段階の世界モデル・フレームワークは、この点を暗に認めており、Motus2を最上位レベル（タスク固有の調整なしに単一のモデルが任意のタスクを処理できるレベル）に達したと主張するのではなく、レベル3から4に位置付けている。

モデルのアーキテクチャと研究論文は公開されており、Shengshu氏は、技術公開資料とともに実ロボットのデモ映像も公開されていると述べている。この透明性を重視した選択により、外部の研究機関は84％という数値を鵜呑みにするのではなく、再現を試みることが可能となる。 今後2年間にわたり、どのワールドモデルアプローチを基盤として構築すべきかを評価している自動化システムの購入者やロボットプラットフォームのインテグレーターにとって、 Motus2の短期的な実用性は、その見出しの主張が示唆するよりも限定的である。これは研究発表であり、出荷製品ではない。また、13万時間分のヒトの動画による事前学習コーパスから、工場現場での信頼性の高い導入に至るまでの道のりは、依然として、コストがかかるようなドメイン固有の適応データを経由する必要がある。

注目すべき同社の次の動きは、Motus2の世界モデルコアを、ヒューマノイドや産業用アームを開発するハードウェアパートナーにライセンス供与するかどうかという点だ。この措置が実現すれば、Shengshuがベンチマーク結果を公表するだけの研究機関にとどまるのではなく、具現化AIスタックのインフラサプライヤーとして競争する意向を示唆することになる。

本分析は、ShengShu Technologyの公開研究資料および2026年バンド・サミットでの発言に基づいています。これは一般的な情報提供のみを目的としており、投資、財務、または法律上の助言を構成するものではありません。

ヘッダー画像のクレジット：ShengShu Technology。