画像生成のFLUX 3がロボット制御へ、アウディ工場に導入

画像や動画の生成AIはクリエイターのための道具だと思われてきましたが、Black Forest Labs（BFL）はその常識を覆しました。同社の最新マルチモーダル基盤モデルが、独アウディ（Audi）の自動車製造ラインに実戦配備されました。

BFLは7月23日、画像・動画・音声を統合した新基盤モデル「FLUX 3」のアーリーアクセスを開始。さらに、スイス・チューリッヒのmimic roboticsと共同開発したロボット制御向けモデル「FLUX-mimic」を発表し、すでにアウディの工場で稼働していることを明らかにしました。

95％の計算量を動画に投じ、物理世界を学習

FLUX 1やFLUX 2は静止画専用でしたが、FLUX 3は画像、動画、音声を初期から統合学習しています。特筆すべきは、全学習コンピュートの95％以上が動画予測に投じられている点です。720p動画において、音声トークンは全体の0.5％未満にすぎません。

BFLの狙いは明確です。物理的に破綻のない動画を生成するには、モデルが物体の質量、接触、摩擦、因果関係を理解せざるを得ません。この世界理解が備わっていれば、ロボットのアクション制御も同じ物理法則の低次元な出力にすぎないという考え方です。

実際、途中でアクション予測タスクを追加した際、動画生成の評価は一時的に最大10％低下したものの、3500ステップ後には元の品質を完全に回復しました。中間特徴量から動作を読み取る独自設計により、RTX 5090単体で80ミリ秒未満の推論速度を実現しています。

わずか30分の教示で稼働、ミスも自律リトライ

アウディの現場において、FLUX-mimicはトレイへの部品仕分けや、電子制御ユニットの精密なはめ込み作業、さらには従来の産業用ロボットが最も苦手とするゴムパッキンやケーブルといった柔軟素材のハンドリングを担っています。

モデル自体がすでに物理法則を把握しているため、ロボットに新しい作業を教え込むコストが激減しました。従来は30時間以上の実演データが必要だったところ、約30分のデモデータで新しいタスクに適応可能です。

さらに、部品の把持に失敗した場合でも、視覚フィードバックから瞬時に自己修正して掴み直す自律リカバリ挙動が確認されています。

なぜ重要か

私たちは、BFLとmimicのアプローチを、フィジカルAIにおける極めてスマートなショートカットだと考えています。ロボット専用の大規模モデルをゼロから作るのではなく、物理世界を模倣できる動画生成モデルをバックボーンに据える方が、理にかなっているからです。

工場や自動化の現場にとっては、導入障壁の劇的な低下を意味します。タスク習熟が30分で済み、RTX 5090といった単一のGPUで軽快に動くのであれば、多品種少量生産のラインにも現実的なコストでロボットを配備できます。

一方で、競合するVLA（視覚・言語・行動）モデルに対しては強いプレッシャーになります。言語ベースのモデルは意味理解に強いものの、連続的な空間把握には課題がありました。物理的な動きを直接学習してきた動画モデルの方が、マニピュレーション領域では一歩先を行く可能性があります。

ただし、生成モデル特有のハルシネーションや予期せぬ揺らぎが完全に消えたわけではありません。アウディのような過酷な量産現場で数万サイクル稼働させた際に、どれだけミスなく耐えられるか、長期的な信頼性の検証はまだこれからです。