ヒューマノイドロボット産業、AI技術より人間操作に依存

Flexion のco-founder兼CEOのNikita Rudinは、ヒューマノイドロボット産業は進歩に見せかけたデータの罠に陥っていると主張している。過去18ヶ月でヒューマノイドロボット企業は数十億ドルを調達したが、その大半はロボットを遠隔操作する人間労働者の給与に密かに充てられている。この実践はテレオペレーション（遠隔操作）として知られ、物理AI システムの学習の主流手法となり、多くの資本を集め、業界の進歩の証拠として熱心に報道されている。しかし Rudin は、この手法の根底にある前提、すなわち十分なデモンストレーションが最終的に実環境全体で一般化できるロボットを生み出すという仮定に、より多くの精査を向ける価値があると主張している。

核心的な制約はスケールである。テキストで訓練された言語モデルはAI時代以前に蓄積された数十年分の執筆物、記事、書籍から利用できる。ロボットにはそうしたアーカイブがない。すべてのデモンストレーションを人間が生成する必要があり、データは人間労働の速度でしか増加できない。より重要には、テレオペレーションのデータセットは現在の言語・ビジョンモデル学習に使われるデータセットより10万倍以上小さい。このギャップはオペレーターを増やしても埋められない。現実世界は静的ではないからだ。棚が動き、ドアハンドルが少し異なり、組立ラインに新しい荷物タイプが現れる。あらゆるバリエーションに新たなデモンストレーションが必要になる。問題は労働力の拡大より速く増加する。データ品質が別の難しさを加える。オペレーターは触覚を感じられず、深度判定も信頼できないため、動きが遅く過度に補正し、ロボットはコントローラーを扱うのに苦労する人間の映像から学習することになる。つまり、ロボットがそうした苦労を実践することになるのだ。

業界の対応は労働者をより多く採用することで、主に低賃金経済地域の労働者を募って家事ビデオ撮影、ロボット遠隔操作、またはカメラ装置を装着した施設移動を行わせている。テレオペレーションデータを、かつて企業が言語モデル用にラベル付きテキストを販売していたのと同じ方法で販売するスタートアップが、中国、インド、ヨーロッパ、米国全体で出現し、商業エコシステムが生まれている。皮肉は鮮烈だ。ヒューマノイドロボットの本来の売り文句は、人口動態シフト、労働不足、高齢化により人間が担えなくなるジョブを埋めることである。しかし、業界が実際に構築しているものが新しいことに対応するために恒久的な人間デモンストレーション流を必要とするなら、その人間たちはむしろ直接その仕事をしたほうがいい。新しいもので対応するために新たな人間入力が必要なシステムは、本質的には単なる労働システムである。

標準的な弁明はテレオペレーションは橋である、つまりより優れたロボット訓練技術が追いつく間の一時的な手法だという主張である。限定的で繰り返しのタスクが管理された環境にあれば、その議論はいくぶん成り立つ。しかし、業界の多くは無限にデモンストレーションを生成するためのインフラを構築しており、その依存がどのように、いつ終わるかについて明確な説明がない。この分野は進歩のように感じるメトリクスを追跡している。デモンストレーション数の増加、記録されたフッテージの時間、管理された設定内で完了したタスク。だが、これらのメトリクスはロボットが特別に設定されていない環境で以前見たことのないもに対処できるかどうかを明かさない。より多くのテレオペレーション基盤を構築することは、人間への依存を解決するのではなく深める。

Rudin は強化学習が前進の道だと指摘する。言語モデル研究者が大量のテキストで初期システムを訓練した時、シェークスピアのスタイルを模倣できるが完全には意味をなさないシステムが生まれた。ブレークスルーは合成環境での強化学習によってもたらされ、推論、コーディング、複雑な指示に従うことができるシステムが生まれた。ロボット産業は主にその初期模倣段階に留まっている。テレオペレーションデータをスケールすることは、10万倍少ないデータでの事前学習のスケールに相当する。腕をやや動かし、ときどき何かを掴み、ときどき失敗し、人間オペレーターが示したことをうっすら模倣できるが、見たことのない状況を論理的に解決できないロボットが得られる。エゴセントリック動画キャプチャとUniversal Manipulation Interface（UMI）のようなデバイスなど中間的なアプローチがある。UMIはオペレーターがロボットを遠隔制御するのではなく、ハンドヘルドグリッパーを装着してより自然にタスクをデモンストレーション可能にし、オペレーター負担を軽減してやや自然な動きデータを生成する。これらは限定的で明確に定義されたタスクの有用なステップストーンになるが、業界の人間への依存全体を解決しない。強化学習がこれを変える。人間オペレーターを模倣するのではなく、強化学習で訓練されたシステムは試行錯誤によってものごとを理解し、タスクを試し、失敗し、調整し、ループ内に人間がいないまま数百万回の反復を重ねて再度試す。シミュレーションは自然に続く。数百万回のRL反復を現実世界で実行するとハードウェアが破壊され、年がかかる。しかしシミュレーションではインスタントにリセット可能で、並列実行でき、人間労働力がいかなる規模でも達成できない規模でバリエーションを生成できる。テレオペレーションと異なり、シミュレーションでのRL は計算力に直接スケールする。より多くのGPUでより多くの環境、より多くのバリエーション、より高速な反復が可能になる。

ロボット産業は、その資金調達戦略の大半が対処していない構造的課題に直面している。過去18ヶ月でヒューマノイドロボット企業に数十億ドルが流入したが、その大部分がロボットを遠隔操作する人間労働者の雇用に充てられている。この記事はこのデータ生成手法を、技術的な橋渡しを装った永続的な労働解決策として説明している。基礎となる前提は、十分なデモンストレーションが最終的に新しい環境に一般化できるロボットを生み出すというものだが、数字がこの道筋を支持していない。テレオペレーションのデータセットは現在の言語・ビジョンモデル学習に使われるものより10万倍以上小さく、この差はオペレーターを増やしても埋められない。

根本的な課題は、現実世界が静的ではないということだ。棚の配置が変わり、ドアハンドルが異なり、組立ラインに新しい荷物タイプが到着する。あらゆるバリエーションに新たな人間デモンストレーションが必要となり、データ生成の問題は労働力の拡大より速く増加し、より多くの労働では乗り越えられない構造的な壁を生む。データ品質がこの問題を複雑にする。コントローラーを通じて作業するオペレーターは触覚を感じられず、深度判定も信頼できないため、動きが遅く過度に補正し、ロボットにコントローラーとの格闘を実践させるのではなく、効率的にタスクを遂行することを教えない。

この記事が指摘する代替手段はシミュレーション環境での強化学習である。人間デモンストレーションを収集する代わりに、強化学習システムは合成環境内で数百万回の反復を通じて試行錯誤で学習し、ループ内に人間がいない。このアプローチは計算資源に直接スケールする。より多くのGPUでより高速な反復と環境バリエーションが実現するが、テレオペレーションは人間労働に限定される。この記事の主張によれば、産業が真の自律性に向かうためには、人間への依存が実際に時間とともに減少しているかどうかを測定する必要があり、そうしたメトリクスがなければテレオペレーションは一時的な橋ではなく永続的な手法となる。

まだコメントがありません。最初のコメントを投稿しましょう！