米フィジカルインテリジェンスのπ0.5、学習に含まれない住宅で台所と寝室を片付け　学習例の97.6%は他のデータ源

米サンフランシスコのロボットAI新興企業フィジカルインテリジェンス（Physical Intelligence）は2025年4月22日、視覚言語行動（VLA）モデル「π0.5」を公表した。同社はブログとarXivで公開したプレプリント論文で、双腕の移動ロボットが学習から除外した実在の住宅3軒で、食器を流しに運び、ベッドを整え、こぼれた液体を拭き、寝室の床を片付ける様子を示した。

論文の数値は具体的だ。移動ロボットは約100軒の住宅で集めた約400時間の家事データを学習した。一方で論文は、第1段階の学習例の97.6%が住宅で家事をする移動マニピュレーター由来ではなかったと明記している。残りは複数の住宅に置いた据え置き型ロボットアームのデータ、公開データセット「Open X-Embodiment」を含む研究室ロボットのデータ、画像説明や質疑応答、物体位置特定といったウェブデータ、人手で付けたサブタスクのラベル、少量の音声による指導データで構成した。個別作業は約2〜5分、部屋全体の片付けは10〜15分かかったという。

構造は同社が2024年10月31日に公表した最初の汎用方策モデル「π0」を土台にしている。米グーグルのPaliGemmaの重みで初期化した20億パラメーターの視覚言語モデルに、3億パラメーターの「アクションエキスパート」を加えた。モデルはまず「枕を拾う」といった次のサブタスクを文章で書き出し、続いてそれに対応するモーター指令を生成する。指令は1秒分に当たる50ステップの塊として、10段階のノイズ除去を行うフローマッチングで出力される。学習は離散トークンで28万ステップ回した後、連続値を扱うフローマッチングの出力部を加えて8万ステップを追加する2段階で進めたと論文は説明している。

ハードウエアは簡素だ。論文によると移動プラットフォーム2機種は、平行グリッパー付きの6自由度アーム2本、全方向移動の車輪台車、胴体の昇降機構、手首の2台を含むカメラ4台を備える。状態と行動の次元は機種により18または19だ。同社は新たな技能や高い器用さではなく、新しい環境への汎化を目標に据えたと説明した。

最も示唆に富むのはデータ構成を変えた比較実験だ。ブログによると、未知の住宅での言語指示実験で、完全版のπ0.5は見慣れた種類の物体で指示追従率86%、成功率83%を記録し、初めて見る種類の物体ではいずれも94%だった。ウェブデータを除くと見慣れた物体の成績はほぼ変わらなかったが、新しい物体の成功率は74%に下がった。研究室の異機種ロボットデータを除くと49%、多数の住宅の据え置き型ロボットデータを除くと31%まで落ちた。

学習環境の数も効いた。研究チームは移動ロボットデータの収集場所を3、12、22、53、82、104カ所と増やして学習させ、場所が増えるほど性能はおおむね向上した。104カ所のモデルは、試験対象の住宅のデータで直接学習した対照モデルと同程度の性能を示した。論文はさらに、π0.5がπ0とその改良版を大きく上回り、π0の学習を30万ステップまで延ばしても結論は変わらなかったとしている。人がサブタスクを直接指定した版よりも完全版の成績が良く、追加学習なしのGPT-4を計画役に使った版が最も低かった。

競争は激しい。米フィギュアAIは2025年2月20日、70億パラメーターのモデル（7〜9ヘルツ）と8000万パラメーターの制御器（200ヘルツ）を組み合わせ、約500時間の遠隔操作データで学習したVLA「Helix」を公表した。米Google DeepMindは3月12日にGemini 2.0を基盤とする「Gemini Robotics」を、米エヌビディアは3月18日に公開型の人型ロボット基盤モデル「GR00T N1」を発表した。日本勢ではトヨタ自動車傘下のToyota Research Institute（TRI）が2024年10月16日、米Boston Dynamicsと提携し、TRIの大規模行動モデルを人型ロボット「Atlas」に組み合わせる研究を始めると発表している。

同社は限界も率直に認めた。論文は見慣れない引き出しの取っ手、物理的に開けにくい戸棚、拭くべき汚れをアームが隠してしまう問題、同じ引き出しを何度も開け閉めする上位計画の誤りを挙げた。評価は住宅3軒、作業ごと10回の試行の平均で標本は小さく、結果はすべて同社の自社測定だ。同社は2025年9月、Apache-2.0ライセンスのオープンソースのリポジトリ「openpi」でπ0.5の基本モデルと、LIBEROベンチマークおよびDROIDデータセット向けに微調整したチェックポイントを公開し、外部検証の道を開いた。