Spirit AI、「ロボットの知能は2027年までに『ChatGPTモーメント』を迎える可能性がある」と指摘

Spirit AIは創業から20か月間で6億7000万米ドル以上の資金を調達しており、同社の共同創業者によると、この資金は特定の期限に向けて投入されているという。 2027年半ばまでにロボット知能における「GPT-3.0の瞬間」を実現することだ。その時点では、ヒューマノイドロボットが音声による指示を受け、タスク固有の再トレーニングなしに、真に新しい物理的なタスクを遂行できるようになるはずである。 杭州に拠点を置くこのスタートアップは、現在200億元（約29億米ドル）の評価額を有しており、単なる目標を掲げているだけではない。 同社はすでに、CATLのバッテリー工場やJD.comの物流拠点内で、車輪付きヒューマノイドを体系的なシフト制で稼働させており、このことは、その主張が単なるマーケティングなのか、それとも実際の能力曲線なのかについて、購入者にとって異例に早い段階で判断材料を提供している。

Spirit AIは2024年1月、産業用ロボットメーカーRokaeの元最高技術責任者（CTO）であるハン・フェンタオ最高経営責任者（CEO）と、同社の共同創業者兼チーフサイエンティストであり、清華大学でロボット工学の助教授も務めるガオ・ヤン氏によって、杭州で設立された。 同社は現在、約300名の正社員を擁し、全国で1,000名近くの契約社員が、モデルの学習に用いる物理的相互作用データのラベル付けや整理を支援している。 また、投資家にはCATLとJD.comが含まれており、両社はSpirit AIのハードウェアに対する出資者であると同時に、実運用拠点も兼ねている。

「脳」というボトルネックに、ついに期限が設定された

ハードウェアブームに乗じて資金調達を行う創業者としては異例なほど率直に、高氏はこの問題を次のように定義している。「脳は、ロボット工学の全体的な構成要素の中で、紛れもなく最も弱いリンクである。」 この発言は、単なる部品サプライヤーからのものよりもはるかに重要な意味を持つ。なぜなら、Spirit AIは2年間と資本の大部分を費やして、車輪付きヒューマノイドのボディとそれを制御するモデルの両方を構築してきたにもかかわらず、高氏は依然としてそのモデルこそが制約要因であると指摘しているからだ。 彼の予測は、反証可能なほど具体的だ。2027年半ばまでに「GPT-3.0のマイルストーン」が達成され、その時点でロボットが自由形式の言語を解析できるようになると彼は予想している。

今日のヒューマノイドのデモンストレーションで主流となっている、限定的で繰り返し練習されたルーチンではなく、指示に従って慣れない多段階の身体的タスクを実行すること。

このタイムラインは、「具現化された知能」が、より多くのデータと計算能力によって確実に能力が向上した大規模言語モデルと同様にスケーリングしているのか、あるいは、トレーニングデータが希少で収集にコストがかかり、テキストよりもシミュレーションがはるかに困難であるため、物理的な作業はそのようなスケーリングに抵抗しているのかという、業界全体で繰り広げられているより広範な議論の中に位置づけられている。 高氏自身の答えはスケーラビリティに傾いている。「進歩は極めて速い。今日、ロボットは広大な空間で動作し、連続した複雑なワークフローを実行している」というこの説明は、ほとんどのヒューマノイドベンダーが依然として見本市で披露している、単一のステーションでの単一タスクの実演とは暗に対照をなしている。 車輪式または二足歩行型ヒューマノイドのベンダーを評価する調達チームは、この対比を製品評価の核心として捉えるべきだ。つまり、そのシステムは変化する環境においても汎用性を発揮するのか、それとも、カメラが設置される前にエンジニアが数週間かけて調整したリハーサル済みのシーケンス内でのみ、流暢に見えるだけなのか、という点である。

Moz1が実際の作業現場で実際に行っていること

Spirit AIが現在提示できる実証例は、2027年の予測よりも範囲が狭く、そのギャップこそが、あらゆる購入者にとって正直な出発点となる。 7自由度の力制御アーム2本を中心に構築された車輪付きヒューマノイド「Moz1」は、数十台がCATLのバッテリー生産ラインや、JD.comの小売・物流業務の現場に導入されている。 単純で構造化されたタスクにおいて、同社は90％の成功率を報告している。この数値は、大成功とも大失敗とも捉えるのではなく、じっくりと検討する価値がある。 90％という数値は、無人化された生産ラインに求められる信頼性には程遠いものの、これはシミュレーションのベンチマークや単発の制御されたデモではなく、実際の導入現場から得られた実データであり、Spirit AIに、現在ほとんどの人型ロボットスタートアップが示すことのできないものを与えている。すなわち、

数時間ではなく、数週間にわたって他社の工場現場で。

この違いこそが、調達担当者や自動化システムの購入担当者が、現在ヒューマノイドロボットカテゴリー全体において選別すべき重要なポイントである。 ブースでのデモで、あらかじめプログラムされたピック・アンド・プレースのシーケンスを完璧に実行するロボットは、導入後の信頼性についてバイヤーにほとんど何も伝えていない。一方、ダウンタイムが直接的なコストにつながり、安全基準も厳格なCATLの生産環境内で構造化されたタスクを実行するロボットは、たとえその成功率がまだエンタープライズグレードに達していなくても、バイヤーに重要な示唆を与えている。 Spirit AI自身の数値は、「動作する」ことと「人間のバックアップを不要にするほど十分に信頼性高く動作する」こととの間のギャップを認めており、これは多くのベンダーが公の場で明かそうとしない点について、より信頼性の高い開示と言える。

また、これら2つの導入現場では異なる点が検証されており、これは管理されたパイロット環境と、実稼働環境に近い状況を区別しようとするバイヤーにとって有益だ。CATLのバッテリー生産ラインは、安全許容範囲が厳格で、サイクルタイムが固定されており、助けになるどころかボトルネックとなるロボットは排除すべきという強いインセンティブがある製造環境である。 一方、JD.comの小売・物流現場は、設計上より混沌としており、商品の形状は様々で、レイアウトは流動的、タスクの順序も予測しづらい。両環境において同等の成功率を示せるベンダーは、厳格に管理された環境でのみ良好なパフォーマンスを発揮するベンダーよりも、汎用的な能力に近いものを実証していると言える。 Spirit AIは、これら2つの現場を並べて比較した詳細な分析結果を公表していない。購入者が「90％」という数値を単一かつ均一な数値として扱う前に、この比較分析を求めるのは妥当な次の開示事項である。

資本が支援しているのは「モデル」であり、「ハードウェア」ではない

Spirit AIが2024年以降、立て続けに調達した6億7000万米ドルの資金は、その規模（知名度の高い中国のヒューマノイドメーカー数社には及ばない）よりも、投資家が真のボトルネックをどこにあると見なしているかを示唆している点で注目に値する。ハードウェアは、

少なくともアクチュエータ、車輪付きベース、力制御アームのレベルにおいては、中国の人型ロボットのサプライチェーン全体でますますコモディティ化が進んでおり、現在では複数のメーカーが概ね同等のボディを製造できるようになっている。依然として不足しているのは、高性能なボディを、曖昧な指示を受け取り、正しい一連の物理的動作を生み出すことのできるシステムへと変えるソフトウェアスタックである。 Spirit AIが擁する約1,000人の契約者ネットワークは、まさにそのギャップを埋めるためにモデルが必要とする、現実世界での相互作用データを生成・ラベリングするために存在しており、同社の企業価値は、誰が最も安価なアームを製造したかに関わらず、ソフトウェアの問題を最初に解決した者が不釣り合いなほどの価値を獲得するという賭けに他ならない。

この主張は、RobotAIGeekが中国のヒューマノイドロボット出荷データ全体で追跡してきた傾向と一致している。そこでは、出荷台数が、実際の勤務シフトを維持できるロボットのシェアをはるかに上回るペースで拡大している。 業界は、ロボットを動かす「脳」を構築する速度よりも速いペースで「身体」を生産してきた。Spirit AIが投資家に対して訴えているのは、次の価値が創出されるのは「身体」ではなく「脳」であるという点だ。 北京では現在、より優れたトレーニング環境を通じて同じギャップを埋めるための別の取り組みが進められている。RobotAIGeekが報じた、ある北京の研究所による自己採点型シミュレーション手法の詳細も、その一例である。これは、具体的なデータ収集方法は異なっても、脳を希少なインプットと見なす点において、Spirit AIが唯一の存在ではないことを強調している。

その違いが顕著に表れるのが、請負業者ネットワークだ。全国で約1,000人の人々が、Spirit AIのロボットが新しいタスクに挑戦する際に、その操作、修正、アノテーションを行うことに日々を費やしており、それによって、ほぼ

シミュレーションでは説得力のある形で合成することは不可能だ。これは、インターネットからテキストをスクレイピングするよりも、トレーニングデータの収集に時間がかかり、コストもかかる方法であり、これが、ガオ氏の2027年というスケジュールが保守的というよりはむしろ野心的に映る理由の一つである。 また、この戦略が成功すれば、Spirit AIの真の競争優位性は、Moz1ハードウェアそのものではなく、競合他社が単に購入したり模倣したりすることができない、修正済みの物理的デモンストレーションの蓄積されたライブラリにあるということになる。

2027年までに購入検討者が実際に注目すべき点

今日、ヒューマノイドシステムの試験導入を判断しようとしている自動化分野の購入者にとって、高氏の2027年予測自体は実用的なデータポイントとは言えない。実用的なのは、Spirit AIがすでに開示している成功率の推移である。 もしCATLやJD.comでの導入事例が、構造化されたタスクにおける90％という成功率から、今後数四半期にかけて産業レベルの信頼性に近づくような軌道に乗れば、その傾向線は、創業者がインタビューで提示するいかなる言語モデルの比較よりも、より広範な展開に向けた準備状況を予測する上ではるかに優れた指標となる。 もしその数値が横ばいになれば、それも同様に有益な情報であり、おそらく業界全体で、ベンダーが自発的に明かすよりもはるかに一般的な状況である。

自社の最も弱い部分を公に指摘し、それに付随する数値を公表する企業は、競合他社の多くが現在提供しているものよりも、購入者に評価すべき材料をより多く提供していることになる。 この90％という数値は、2027年までに確認されるべき次のチェックポイントとして注目すべきものであり、その数値と真の無人稼働信頼性との間のギャップこそが、残りの6億7000万米ドルが実際に投じられる対象となる。

本分析は、Spirit AIの共同創業者による、同社の資金調達履歴、技術ロードマップ、およびCATLやJD.comにおける現在の導入状況に関する公式声明に基づいている。本分析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ない。

ヘッダー画像の出典：Spirit AI（『サウスチャイナ・モーニング・ポスト』経由）。