これまでロボットを評価するとき、私たちはまず、どれだけ多くの動作をこなせるか、動きがどれほど滑らかか、ハードウェアの性能がどれほど高いかに注目しがちでした。しかし私が思うに、こうしたものは表面的な性能にすぎません。ロボットの将来性を本当に左右するのは、タスクを繰り返し実行するなかで、絶えず上達できるかどうかです。
現実の世界は、実験室よりはるかに複雑だからです。一見簡単そうな物体の把持タスクにも、物体の認識、位置の判断、動作計画、力加減の制御など、さまざまな工程が関わっています。どこか一つでもずれがあれば、タスクの失敗につながる可能性があります。
ロボットのタスク成功率が80%だとすると、独立した実行を100回行った場合、平均して20回は失敗することになります。この数字はあくまで説明のための仮定であり、Axisの実測成績ではありません。
本当に注目すべきなのは、この20回の失敗からシステムが問題を発見できるかどうかです。戦略を調整したあと、成功率を高められるでしょうか?
そこがPhysical AIの最も興味深いところです。
私が@axisroboticsに注目している大きな理由の一つは、そこで取り組まれている訓練とフィードバックのループです。
人間による実演 → 方策の生成 → ロボットの実行 → 結果のフィードバック → 方策の最適化 → 再実行。
単なるループに見えますが、その背後にあるのは、ロボットが一度きりの訓練から継続的な反復改善へと進めるかどうかです。
たとえば、同じ把持タスクを100回繰り返し練習する必要があるとします。本当に重要なのは、ただ100回操作を完了することではなく、毎回の操作から有益な情報を得られるかどうかです。どの動作がより安定しているのか。どのような環境で失敗しやすいのか。どのような方策なら、さまざまな物体に適応できるのか。
こうした問いをデータに基づいて分析できるようになれば、訓練は単に回数を増やすだけでなく、的を絞った最適化へと進む可能性があります。
もちろん、訓練回数が増えれば能力が比例して伸びるとは限りません。データの質、フィードバックの正確さ、方策の汎化能力も重要です。
私がさらに期待しているのは、Axisがこうした工程を継続的に進化させ、ロボットが決められたプログラムどおりに動作を完了するだけでなく、有効なフィードバックを通じて実行性能を段階的に向上させていくことです。
ハードウェアはロボットに何ができるかを決め、訓練の仕組みはそれをどこまで実現できるかを左右します。今後、より効率的な訓練とフィードバックによって、試行錯誤の繰り返しにかかるコストを抑えながら、さまざまな環境でのロボットの安定性を高められれば、Physical AIの応用範囲はさらに広がる可能性があります。
一度のデモがどれほど印象的かだけを見るよりも、システムが長期にわたって経験を蓄積し、その経験を本当の能力へと変えられるかどうかに注目したいと思います。
だからこそ、これからにも期待しています!
#AxisRobotics