米1X、家庭用人型ロボ「NEO」を140億パラメーターの動画モデルで制御　ロボットデータをネット動画で代替

米ヒューマノイド企業の1X Technologiesは1月12日、2025年10月に予約受け付けを始めた家庭用ヒューマノイド「NEO」の制御を、従来型のロボット制御ネットワークではなく生成型の動画モデルに基づく方式に切り替えると発表した。同社はこれを「1X World Model（1XWM）」と呼ぶ。Bernt Børnich最高経営責任者（CEO）はNEOがインターネット規模の動画から学び、その知識を物理世界にそのまま生かせるようになったと述べた。研究者のDaniel Ho氏は、初めて見る作業でも利用者の指示を完全自律の動作に変えられると説明した。

同日公開した技術解説によると、中核は文章を条件とする140億パラメーターの動画拡散モデルだ。学習は3段階で、まずウェブ規模の動画で事前学習し、次に人が物を扱う様子を一人称視点で撮った動画900時間で中間学習し、最後にNEOのセンサーとモーターの記録70時間で微調整した。別に、無作為な動きを含む未選別のロボットデータ400時間で学習した逆動力学モデル（IDM）が、生成された映像のコマとコマをつなぐのに必要な動作を予測する。Depth Anythingを基盤にフローマッチングの出力部を加え、8コマのスライド窓で処理する。

動作の流れは単純だ。NEOが文章で指示を受けると、世界モデルが5秒分の未来の映像を生成し、逆動力学モデルがそこからモーター指令を取り出す。1Xによると、複数GPUによる推論で映像生成に11秒、動作抽出に1秒かかる。5秒の動作ごとに約12秒の計算が先行する計算だ。短い指示を視覚言語モデルで詳しい説明文に膨らませる「キャプションアップサンプリング」により、映像が指示に沿いやすくなったという。

1Xは失敗例まで開示した。作業ごとに30回の実機試験で、菓子袋をつかむ作業の成功率は約100%、シャツのスチームがけは約80%、引き戸の開閉とじょうろの使用は約60%、シャツのアイロンがけと皿洗いは約40%だった。シリアルを注ぐ作業と笑顔の絵を描く作業はいずれも0%だった。ティッシュを引き出す作業では、1回の生成で30%だった成功率が、8本を並列生成して最良のものを選ぶと45%に上がった。同社は単眼映像での事前学習による3次元把握の弱さ、映像がもっともらしくても目標位置を行き過ぎたり届かなかったりする点、精密作業の難しさ、5秒という作業時間の上限を課題に挙げた。

今回の技術は価格と納期が決まった消費者向け製品の上に載る。米カリフォルニア州パロアルトに本社を置く1Xは2025年10月27日にNEOの予約を始めた。2026年の優先納入付きの早期購入価格は2万ドル、サブスクリプションは月499ドルで、米国では2026年、その他の市場では2027年から納入する。発表資料によるとNEOの重さは66ポンド、持ち上げられる重量は154ポンド、運搬重量は55ポンド、騒音は22デシベル。ロボットが単独でこなせない作業は、1Xの担当者が遠隔で導く「エキスパートモード」で補う。

この選択は競合の多くと方向が異なる。1Xは技術解説で、米Physical Intelligenceの「π0.6」、米Figureの「Helix」、米エヌビディアの「GR00T N1.5」といった視覚言語行動（VLA）モデルを比較対象に挙げた。視覚言語モデルを土台にした方式は意味の理解に強いが、物理的な動きを予測するよう学習されていないという主張だ。動画モデルは物がどう動き落ちるかをすでに知っているため、ロボット自身のデータは大幅に少なくて済むというのが1Xの論理で、70時間の微調整がその裏付けとなる。

対抗陣営の資金力は大きい。MEKAWIREの企業データによると、米Skild AIは2日後の1月14日に評価額140億ドルで14億ドルのシリーズCを完了し、Figureは2025年9月に評価額390億ドルで10億ドルを調達した。同じデータで1Xの直近の調達は2024年1月の1億ドルのシリーズBだ。エヌビディアも2カ月後の2026年3月、GTCで行動前に映像を予測する「GR00T N2」を予告し、同じ方向に動いた。

日本にとっても無関係ではない。政府は2026年3月、2040年に世界シェア30%、市場規模20兆円を目指すAIロボティクス戦略を決めた。人手不足が深刻な介護や家事支援でロボットを使うには家庭環境のデータが欠かせないが、遠隔操作によるデータ収集は費用がかさむ。人の動画で基礎能力を補う1Xの手法が通用すれば、データ基盤で出遅れた日本企業にとって参入コストを下げる選択肢になりうる。

残る課題は速度と信頼性だ。5秒の動作ごとに12秒待つ構造は人と台所を共有するロボットには遅く、アイロンがけや皿洗いで40%という成功率は2万ドルの家電に求められる水準に遠い。1Xは推論の高速化、記憶を使った閉ループの再計画、深度やステレオ入力の導入、専門家の手本ではなくロボット自身の経験による自己改善を次の課題に掲げた。その後1Xは2026年4月30日、カリフォルニア州ヘイワードに年1万台の生産能力を持つ5万8000平方フィートの工場を開き、2027年末までに年10万台超を目指すと表明した。6月4日には、米Luma AIの創業研究者だったSam Sinha氏が率いる「1X World Model Lab」を設けた。