Axis Roboticsからの洞察を紹介

2026年、人工知能業界は計算（コンピュート）の問題を解く方法を学びました。GPUはより手に入れやすくなり、推論の実行コストを抑えたモデルも増えています。クラウド基盤も拡大し続けています。しかし、次の波のAI、ロボティクス、そしてフィジカルAIは、まったく別の問題に直面します。すべては、必要な量に達するほど存在しないデータに尽きるのです。

ロボットにインターネットなし

LLMは、すでに存在していた基盤から発展してきました。何十年にもわたるインターネット上の文章、ほぼ人類のあらゆる知識分野をまたぐ数兆トークン。その巨大なコーパスがすでに整っていたことで、進歩は計算規模の拡大とアーキテクチャの改良にかかっていました。

ロボティクスには、そのような基盤がありません。物理世界には検索インデックスがなく、モデルを学習するための「ロボット相互作用のインターネット」も存在しません。

現在ロボット学習に使えるデータの総量は、現代の言語モデルが学習するテキストコーパスのごく一部にすぎません。これにより、あらゆるレベルで基盤データが不足しています。

ロボティクスに欠けているGPT-1の瞬間

言語モデルの軌跡は示唆に富んでいます。なぜなら、各段階で新たな制約が取り除かれていったからです。GPT-2はおよそ100億トークンで学習されました。人間の速度で読めば約50万時間分に相当します。

そのとき、創発的なモデル挙動が初めて現れました。GPT-3はおよそ3,000億トークン、約1,500万時間分で学習されており、その量がなければChatGPTも、その後に続くものも存在しなかったでしょう。

ロボティクスには、まだその瞬間が来ていません。モデルアーキテクチャは収束しつつあり、アルゴリズムは成熟しつつありますが、データそのものは依然として定まっていません。どの事前学習分布が正しいのか、シミュレーション、実世界、エゴセントリックデータの比率をどうすべきか。データ構造について合意はまったくありません。

もし1,500万時間のテキストがGPT-3を生んだのだとすれば、本当に汎用的な物理知能モデルには、人間が物体を扱う100万時間単位のデータが必要になるかもしれません。

現在、この業界が持つのはおよそ2,000時間で、最高の公開データセットはOpen X-Embodimentです。シーンの多様性と習得済み原子的スキルの数にも同様のギャップがあります。

収集がスケールしない理由

物理的知能のための計算資源、ハードウェア、アルゴリズムはすでに整っています。本当に欠けているのはデータであり、その理由には3つの構造的要因があります。

• 現実世界での収集はハードウェアによってボトルネック化しています。専用の装置、安全システム、そしてロボット1台につき1人の प्रशिक्ष練されたオペレーターが必要です。これにより、量とカバレッジの両方が制限され、foundation-model scaleは構造的に到達不能になります。

• 手作業収集では必要な多様性は生み出せません。一般化には、物体、シーン、ロボットのボディ、カメラ角度にまたがる多様性の積み重ねが必要であり、手で集めたデータセットではそれを提供できません。

• 専門家デモンストレーションだけで学習したモデルは、自分の誤りに気づけません。ポリシーが見るのは専門家が訪れた状態だけなので、最も弱い部分にこそ最も少ない学習データしかありません。エラーはタスク全体の時間軸にわたって蓄積します。

これらの制約はいずれも同じ方向を指しています。必要なのは、より高度なモデルではなく、データを生産するための根本的に異なる体制です。

ヒューマノイドはデータで動く

2026年はヒューマノイドロボットへの投資関心が頂点に達した年となりました。数十億ドルがハードウェア、モデル、そして業界大手の生産能力へ流れ込みました。しかし、その資本はすべて同じボトルネックに突き当たります。資金はハードウェアと計算資源の問題を解決しますが、現実世界での物体操作に関する何百万時間ものデータをどこから得るのかは解決できません。

これにより、今まさに数十億ドル規模の投資を受けている業界を妨げているものが、データ問題そのものだということになります。ヒューマノイドを現実世界で展開しようという野心が速く大きくなるほど、データ不足そのものも速く大きくなります。新しいロボットボディ、新しい環境、新しいスキルのたびに、それぞれ独自の学習データが必要になります。

Axis Robotics: 複利的に成長するデータエンジン

ロボティクスのデータパイプラインのほとんどは一方向です。データを集め、モデルを学習し、リリースし、最初からやり直す。Axisはクローズドループとして構築されており、すべての貢献が次のポリシーを改善し、改善されたポリシーが次に収集すべきデータを決めます。データは一度きりのコストではなく、価値が増す資産になります。

このサイクルは5つのステップで構成されます。タスクとシーンの生成、シミュレーションでのテレオペレーションによる行動収集と実世界の相互作用の記録、軌跡の処理とクリーニング、そして実機・シミュレーション両方のフリート上でのポリシーの学習と展開です。

最後に、ポリシーがまだどこで誤っているのかに関するシグナルを正確に収集します。これらのシグナルが次のラウンドで開くタスクを決め、より難しく、より価値の高いデータへとサイクルが繰り返されます。

3つのプラットフォーム製品がサイクル全体をカバーします。

• Web Simulation Data Platform: インストール不要・ハードウェア不要のブラウザベースのシミュレーションで、参加者がテレオペレーションでロボットを操作してデモンストレーションを生成したり、すでに学習済みのモデルの挙動を修正したりできます。スループットはすでに1時間あたり10,000本の有効軌跡に達しています。

• Mobile Ego-Centric App: 手の姿勢トラッキングを通じて一人称データを取得するためのモバイルアプリで、特殊機材は不要です。2026年9月に公開予定で、月間10,000時間超の有効データを目標としています。

• Data-to-Model Pipeline: 生の軌跡をクリーン化し、ドメインランダム化で拡張し、注釈付けする統合処理パイプラインで、モデル学習にすぐ使えるデータへ変換します。

重要な実証結果は、Physical Intelligenceのπ0.5モデルをAxisデータセットで継続事前学習したところ、LIBERO-Plusベンチマークの成功率が83.9%から88.8%に上昇し、同量に揃えたRoboCasa365の対照群を31.3ポイント上回ったことです。この向上はAxisデータ量に比例しており、ランダムノイズではなく、クラウドソーシングから来るシグナルの整合性を示しています。

2026年8月下旬時点で、このプラットフォームは世界中の貢献者15万人超を突破し、4,000以上の公開タスクにわたって370万以上の軌跡を収集しています。

Axisのパートナーには、ロボティクスハードウェアメーカーのAgiBot、Booster Robotics、Unitree、Deep Robotics、Manycore Techのようなfoundation-modelラボ、そして仕分けやその他の生産タスクの自動化学習にプラットフォームを利用するGeely AutoやLotus Carsといった産業顧客が含まれます。

インフラとしての暗号資産

このようなシステムを、デフォルトで許可不要のグローバルな貢献者コミュニティに開くことは、データエンジン自体では答えられない問いを生みます。ノイズがあり、部分的に最適でなく、悪意の可能性もある貢献を、どうやって信頼できる学習データセットに変え、しかも誰が何を生み出したのかを正確に記録し続けるのか。

Axisはこれに2層の評価システムで対応します。スコアリングシステムは各軌跡を個別に評価し、ポイントシステムは量、タスク難易度、品質、貢献の多様性に基づいて、時間とともに貢献者の評判を集約します。

受理された軌道はすべて、Base Network上で固有のData IDとともにオンチェーン署名されます。これにより、貢献者のウォレット、タイムスタンプ、品質スコア、タスク参照が、改ざん不可能な恒久記録として結び付けられます。ここでの暗号資産は、Physical AIの生産における来歴、透明性、調整のためのインフラです。

Baseに加えて、このプロジェクトはSolanaエコシステムのBitRobot NetworkやPi Networkとも統合していますが、どのネットワークを使うかにかかわらず、プロビナンスのアーキテクチャ自体は同じです。

Axis Roboticsからの洞察

私たちはAxis Roboticsチームに、クラウドソーシング型データエンジンをスケールさせる仕組みについて尋ねました。プラットフォームが成長しても品質をどう維持するのか、次に何を集めるかをどう決めるのか、そして彼らにとって「foundation-model scale」とは実際には何を意味するのか、です。

Q: 貢献者ベースがこれほど速く増え続ける中で、データ品質をどう維持していますか？

初日から、私たちは完全な3層の品質検査・管理システムと、それに対応する自動データ処理パイプラインを構築しました。その結果、貢献者ベースが拡大しても品質管理が実質的に圧迫されることはありません。

具体的には、3層の品質検査は次の通りです。

レイヤー1:送信時のリアルタイム検証。ユーザーがデータを送信すると、システムは成功チェッカーを使って、そのタスクが本当に完了したか、そして結果の状態が整合しているかを即座に検証し、不自然な動き、操作ミス、破損ファイルなど、明らかに異常な送信を除外します。

レイヤー2:バックエンドでの軌跡リプレイ。バックエンドは軌跡全体を再生し、クロスシミュレーター再生メカニズムを用いて、スクリプトやチートツール、その他の非人間的介入がタスク完了に関与していないかを検証し、さらに軌跡そのもののデータ品質と安定性を確認します。

レイヤー3:バッチ単位のポリシー検証。各バッチのデータで軽量ポリシーを素早く学習し、その性能によってそのバッチの有効性と学習可能性を検証します。

3層すべての検証が完了すると、システムは有効データを保持し、品質スコアを付与します。その後、ユーザーは対応するデータ軌跡をオンチェーンで登録でき、すべての有効データに、長期的で追跡可能かつ検証可能な来歴記録が付与されます。

Q: タスク生成エンジンに追加するロボットのボディやシナリオを、どうやって優先順位付けして決めるのですか？

優先順位は、一般性、多様性、そしてパートナーの具体的なニーズという3つの主要な次元に沿って判断します。

第一に、十分に高い一般性です。私たちは、業界全体で最も広く使われ、最もカバー範囲の広いロボットのボディとシナリオを優先します。ボディ面では、たとえばFranka Armのような典型的な単腕形態や、Open Armのような双腕形態を優先しています。現在、このプラットフォームは単腕、双腕、車輪付き双腕などを含む10種類以上の主流ロボット資産に対応しています。シナリオ面では、家庭環境から産業環境まで体系的にカバーしており、主要なトップレベルのシナリオはすべてサポートされています。

第二に、十分に豊かな多様性です。私たちは最先端の学術研究と業界需要を継続的に追跡し、現在のモデル学習でどのシナリオ、物体タイプ、原子的スキルが最も急を要して不足しているかを見極め、その空白を迅速に拡張・補完します。Axisが、多様性とカバレッジの両面で明確な優位性を持つデータプラットフォームとなり、特にロングテールタスク、エッジケースのシナリオ、複雑な相互作用能力において差別化された価値を生み出すことが私たちの目標です。

第三に、パートナーの具体的なニーズです。私たちは、パートナーの実際のニーズに基づいてボディとシナリオも優先順位付けします。Booster Robotics、Feagine Robotics、その他のハードウェアおよびボディの協業先のようなパートナーに対しては、彼らのロボットボディへの適応を優先し、視覚入力、行動空間、モデル学習目標に合わせてカスタマイズされたデータ収集やタスクを設計します。

強調しておきたいのは、シミュレーションそのものの性質に加えて、社内で構築した大規模な資産ライブラリのおかげで、新しいロボットボディ、物体資産、シーン環境、原子的スキルへ非常に効率よく拡張できることです。これによりAxisはデータ生産において高い柔軟性と拡張性を持ち、業界共通のニーズにも顧客固有の要件にも迅速に対応できます。

Q: データエンジンがfoundation-model scaleに到達したと、実際に何があれば納得しますか？

データエンジンが本当にfoundation-model scaleに達したかを判断することは、単に生のデータ量を積み上げることだけではありません。とはいえ、量が非常に重要であることも事実です。

たとえばエゴデータ側では、まず数百のサブカテゴリをまたぐ少なくとも100万時間のOTSデータの蓄えが必要です。シミュレーションデータ側では、数百万本の検証済み・有効な軌跡が必要です。これがfoundation model学習に必要な基準規模です。

しかし、その基盤の上でさらに重要なのは、プラットフォーム全体が進化し続けられるかどうかです。モデル能力、研究方向、業界ニーズの境界が変わっていく中で、継続的に反復し、拡張し、自らを強化できるかどうかです。

本当のfoundation-model scaleのデータエンジンは、受動的なデータ生産システムではなく、能動的な研究インフラであるべきです。入ってくる依頼にただ応答するのではなく、研究上または商業上の目的を構造化されたタスクへと迅速かつ自動的に変換し、多くのロボットボディ、シナリオ、タスクプラットフォームにまたがって大規模にデータを生成できなければなりません。同時に、モデル学習結果を用いてそのデータの有効性と価値を逆向きに検証し、データ生産、モデル学習、能力評価、タスク反復が連続するクローズドループを形成する必要があります。

最終的に、foundation-model scaleのデータエンジンは、低い限界コストで、高品質かつ非常に多様で、広範にカバーするデータを継続的に提供できることを示し、モデルとロボットのボディが着実に知能レベルを向上させ、現実の非定型環境でより強い頑健性と一般化を示せるようにする必要があります。

3つの回答全体から伝わってくるのは、Axisがスケールを単なる目標数値ではなくエンジニアリング課題として扱っていることです。品質は手作業レビューではなく多層の自動チェックで担保されており、「foundation-model scale」に求められる基準は自己強化ループになっています。

CicadaのマーケットメーカーCEOからのメモ

私たちはCicadaのCEO兼共同創業者であるMaxim Morisに話を戻し、Physical AIそのものについての見解を聞きました。物語は筋が通っているのか、そして彼がトークンの居場所はどこにあると考えているのか、です。

Q: Physical AIとロボティクスのデータがCicadaのレーダーに入ったのはなぜですか？

正直に言えば、何よりもまず、上場と出来高が追いかける次の物語であり、私たちはロボットではなく流動性を扱っています。その裏には本当の問題があります。言語モデルには数兆トークンがあるのに対し、ロボティクスには何千時間もの物理的相互作用しかなく、そのデータはスクレイピングできません。手で生産する必要があるのです。

次に、私が物語そのもの以上に関心を持っている問いがあります。データ収集は普通のビジネスですが、なぜそれ専用のトークンが必要なのでしょうか。現時点で、ほとんどのプロジェクトから返ってくる正直な答えは「トークンがあるから」です。

Q: これは持続的な物語ですか、それとも同じ誇大サイクルですか？

データ需要は持続的ですが、その需要の上に作られたトークンは持続的ではありません。この2つは別の話です。ここでの買い手は、クリーンな権利、来歴、再現可能な品質を必要とする研究室です。契約のもとで法定通貨を支払い、誰かのティッカーを貸借対照表に載せるつもりはありません。

DePINの仕組みもここでは破綻します。ロボットは遊休のWi-Fiルーターではなく、オペレーターを伴う資本資産であり、量に応じて排出報酬を支払うと生まれるのはデータではなくスパムです。それはデータセットを汚染します。Helium、こんにちは。だからこの物語はサイクルを超えて生き残るでしょうが、その上に乗るトークンの9割は生き残らないでしょう。

Q: 1年後、このカテゴリーはどうなっていますか？

Physical AIは、ピッチ資料やセクター指数の中で使われる言葉のままでいる一方、実際に取引されるのはその下位セグメント――VLAモデル、データ収集、シミュレーション、ハードウェア、フリート運用――です。

暗号資産がその一覧のごく一部の層、つまり機械同士の支払いとアイデンティティに存在意義を持つのは、十分な数のロボットが互いに支払い始めてからです。2027年にはそれは起きておらず、データセットごとに別々のトークンを必要とするわけでもありません。

それ以外は、製品の一部ではなく資金調達とマーケティングのチャネルとしてトークンを必要とする普通の会社です。私はそれを否定はしませんが、物事はそのまま呼ぶほうが好きです。

Maximの回答は明確な線を引いています。Physical AIデータの背後にある需要は本物ですが、彼の見方では、それはそれを普通のビジネスとして維持すべきだという根拠です。

結論

Physical AIは、言語モデルがすでにたどった道をなぞっています。違いは、言語モデルにはインターネット上のテキストという形でその規模がすでに存在していたのに対し、ロボティクスではそれをまだ収集しなければならないことです。

Axis Roboticsのようなプロジェクトは、このプロセスがかつてのインターネット上のテキストと同じ道をたどると賭けています。ロボット向けデータは、ロボットを限られた台数しか持たない単一の研究室ではなく、世界中の多くの人々によって分散的に収集されるようになる、というわけです。

LIBERO-Plusでの結果と、プラットフォームの貢献者数が10万規模へと伸び、さらにハードウェアメーカー、研究室、産業顧客の間でパートナー一覧が増えていることは、このデータ生産モデルが実際に機能していることの初期的な確認です。

続きを読む: GPU不足とAI DePINの誕生