マイクロソフト、初のロボットAIモデル「Rho-alpha」を公開　触覚と人の修正から学ぶPhi派生モデル

米マイクロソフトが汎用ロボット頭脳の開発競争に自ら参入した。マイクロソフト リサーチは2026年1月21日、同社初のロボットモデルと位置付ける「Rho-alpha」を発表した。自然言語の指示を双腕ロボットの制御信号に変換するモデルである。

発表によると、Rho-alphaは同社の視覚言語モデル「Phi」シリーズから派生した。同社はこれを「VLA+」と呼ぶ。一般的な視覚言語行動（VLA）モデルはカメラ画像と文章の指示からロボットの動作を出力するが、Rho-alphaは認識に触覚を、学習に人による逐次の修正を加えたと説明している。力覚センシングは開発中だという。

実演の内容

同社が考案した物理操作ベンチマーク「BusyBox」では、自然言語の指示に従いボタンを押す、ワイヤを引く、スイッチを切り替える、つまみを所定の位置まで回す、スライダーを動かすといった操作を示した。触覚センサーを取り付けたUR5eアーム2台による双腕装置では、電源タップへのプラグ差し込みや工具箱の詰め込みと取り出しを実演した。UR5eは米テラダイン傘下のデンマーク、ユニバーサルロボットの協働ロボットである。

ロボットが作業に行き詰まると、操作者が3Dマウスなどの遠隔操作機器で介入する。同社は運用中の修正からモデルが学ぶための道具と適応手法を開発しているとした。マイクロソフト リサーチ アクセラレーターのアシュリー ロレンス コーポレートバイスプレジデント兼マネージングディレクターは、構造化されていない環境で人と協働し、自ら認識し推論し行動するロボットを目指すと述べた。

学習の方法

触覚を含むロボットデータが特に乏しいことが学習設計を左右した。同社は実機デモの軌跡、シミュレーション課題、ウェブ規模の視覚質問応答データを組み合わせて学習させたと説明した。実データは遠隔操作によるデモと商用及び公開データセットから得た。合成データはエヌビディアのオープンソース基盤Isaac SimをAzure上で動かし、多段階の強化学習で生成した。

エヌビディアのロボティクス及びエッジAI担当バイスプレジデント、ディープー タラ氏は発表文で、Isaac Simによる物理的に正確な合成データが基盤モデルの学習を加速すると述べた。米ワシントン大学のアビシェーク グプタ助教は、遠隔操作が現実的でない現場が多く、シミュレーションと強化学習でデータを補う必要があると指摘した。

提供時期と未公表の点

Rho-alphaはまだ製品ではない。同社はロボットメーカーやシステムインテグレーター向けに研究用早期アクセスプログラムを設け、後にAIモデル基盤Microsoft Foundryで提供するとしたが、時期は明らかにしていない。双腕装置と人型ロボットで評価中で、パートナーが自社データで学習できるクラウドツールを準備し、技術解説を数カ月以内に公表するという。パラメーター数、成功率、顧客名は公表していない。

競争環境と日本

市場はすでに混み合っている。1週間前の1月14日には米スキルドAIが評価額140億ドル超で14億ドルのシリーズCを発表した。フィジカル インテリジェンス、Helixを持つフィギュアAI、Gemini Roboticsの米グーグル ディープマインド、オープンモデルGR00Tのエヌビディアも汎用ロボット方策を競う。多くが視覚と言語を軸とするなか、マイクロソフトは触覚と運用中の修正を差別化の柱に据えた。

日本の製造業にとっては、既存の汎用ハードウエアの上で動く点が意味を持つ。ファナック、安川電機、川崎重工業などのロボット大手はエヌビディアとの協業を深めてきたが、自前のモデル開発体制を持たない中堅のシステムインテグレーターや部品組立工場にとって、クラウドで追加学習できる触覚対応モデルは人手不足対策の選択肢となり得る。触覚センサーや減速機、ハンドで世界的な部品供給力を持つ日本企業には、触覚データ収集の需要が新たな商機となる可能性もある。