人型ロボット「Figure 01」にOpenAIモデルが統合、会話しながら作業可能に

これまで画面の中に閉じ込められていたChatGPTが、ついに物理的な肉体を手に入れました。

人型ロボット開発のFigureは、同社の自律型ヒューマノイドロボット「Figure 01」にOpenAIの音声・言語モデルを統合した最新デモ映像を公開しました。人間と自然に会話を交わしながら、指示に応じて手先を使った作業をこなす様子が収められています。

ロボットの声はChatGPTの音声機能そのものであり、驚くべきことに、思考を挟むような自然な言いよどみや軽い吃音までも再現されています。機械的な合成音声ではなく、生身の人間と対話しているかのような質感です。

頭脳はOpenAI、手足はFigure

このシステムでは、明確な役割分担が敷かれています。

Figureが内製するニューラルネットワークは、手足の関節やアクチュエータを制御する低レイヤーの高速で器用な動作を担当します。一方で、カメラ越しの視覚認識や指示文の文脈理解といった高次の知能は、OpenAIのモデルが一手に引き受けています。

OpenAIが見て考えて段取りを組み、Figureの制御系が身体を動かします。ヒューマノイド製造において、ここまでの音声対話と視覚理解を実機動作と融合させたのは同社が初となります。

同社は先日、OpenAIをはじめ、Microsoft、NVIDIA、Intel Capital、ジェフ・ベゾス氏のBezos Expeditionsなどから6億7500万ドルのシリーズB資金調達を完了したばかりです。サム・アルトマン氏も、ついにAIモデルを組み込める魅力的なハードウェア基盤が登場したと期待を寄せています。

なぜ重要か

今回の発表は、生成AIの主戦場がソフトウェアからフィジカルな現実世界へと移行し始めたことを明確に示しています。言語モデルを単なるチャットボットにとどめず、機械の制御中枢として機能させられることが証明されたと言えます。

ロボット産業に与えるインパクトも甚大です。テスラのOptimusやボストン・ダイナミクスのAtlasといった競合が手足の運動性能に注力するなか、知能層をOpenAIに丸ごと委ねるというアプローチは、開発スピードを一気に加速させました。イーロン・マスク氏がOpenAIに対して起こした訴訟の背景にも、このロボティクス領域での急接近が絡んでいると見る向きがあります。

ただし、整った実験環境でのデモと、乱雑な実際の製造現場とでは求められる安全基準が全く異なります。テキスト生成でのハルシネーションは笑って済ませられても、重量のあるロボットが現実で判断を誤れば重大な事故につながりかねません。今後は実環境における信頼性の確保が最大の試金石になるでしょう。