NVIDIA、人型ロボット用基盤モデル「GR00T N1.5」発表　合成データで訓練を36時間に短縮

人型ロボットにコップを掴む動作を教えるには、これまで人間がモーションキャプチャスーツを着て、実験室で何週間も同じ動作を繰り返して見せるのが当たり前でした。少し照明が変わったり机の高さが変わったりするだけで、ロボットはうまく動けなくなってしまいます。

COMPUTEXにおいて、NVIDIAはこの課題に対する新たな答えを示しました。人間に教わらせるのではなく、AIに仮想空間で「夢」を見させ、自ら新しい動作を学習させるというアプローチです。

ジェンスン・フアンCEOは、人型ロボット向け基盤モデルのアップデート「Isaac GR00T N1.5」と、合成動作データ生成ブループリント「GR00T-Dreams」を発表しました。従来なら人手で約3か月かかっていたデータ収集作業を、わずか36時間に短縮したといいます。

写真1枚から動作を「妄想」して自習する

人型ロボットの開発における最大の壁は、圧倒的な学習データの不足です。走行データを集めやすい自動運転車とは違い、壊れやすく高価な人型ロボットを現実の街や工場で自由に動かしてデータを集めるのは極めて困難でした。

今回発表されたGR00T-Dreamsは、世界基盤モデル「Cosmos Predict」を活用します。現場の静止画像を1枚入力するだけで、ロボットがその新しい環境で新しい作業をこなす動画を自動生成します。

生成された動画から「行動作片（action tokens）」と呼ばれる制御データを抽出し、ロボットの学習に利用します。3月に発表されたGR00T-Mimicが人間の実演データを拡張するものだったのに対し、Dreamsは全く新しい動作データをゼロから生み出せる点が異なります。

これにより、更新されたGR00T N1.5は、仕分けや片付けといった工場作業の成功率を大きく引き上げ、自然言語による指示の理解や新しい作業環境への適応力も向上させました。

ツールからハードまで、業界の標準基盤を狙う

NVIDIAはモデル単体にとどまらず、開発パイプライン全体を揃えてきました。思考の連鎖によって合成データの品質を精査する「Cosmos Reason」をHugging Faceで公開したほか、2万4000件の人型ロボット動作軌跡データセットも無償提供します。

ハードウェア面でも、DellやLenovoなどがRTX PRO 6000 Blackwell搭載のワークステーションやサーバーを展開します。さらにクラウド向けにはデータ処理性能が最大18倍になるGB200 NVL72を用意し、ロボット本体の推論チップとして「Jetson Thor」を控えています。

すでにBoston Dynamics、Agility Robotics、NEURA Robotics、XPENG Robotics、Foxconnなどがこのエコシステムへの参加を表明しています。

なぜ重要か

フィジカルAIの進化を阻んでいた最大のボトルネックは、実世界データの収集コストでした。人手による3か月の作業をわずか36時間のシミュレーションに置き換えられるなら、ロボット開発の試行錯誤のスピードは劇的に跳ね上がります。

自前のモーションキャプチャ施設を持てない新興ロボット企業や研究者にとっても、オープンモデルと合成データ生成ツールが手に入る意義は極めて大きいと言えます。

一方で、私たちが注目すべき懸念は、いわゆる「シム・トゥ・リアル（Sim-to-Real）ギャップ」です。どれほど精緻な世界モデルが動画を作ったとしても、現実の摩擦や埃、微妙な素材のたわみまで完全に再現できるわけではありません。仮想環境で学んだ動作が、実際の過酷な製造現場でどこまで通用するかは慎重に見極める必要があります。

それでも、NVIDIAが生成AIで見せたプラットフォーム戦略を、今まさに人型ロボットの領域へ持ち込もうとしているのは明らかです。シミュレータ、学習基盤、推論チップまで丸ごと押さえることで、ロボットメーカー各社を自社エコシステムの上に囲い込む体制が着々と固まりつつあります。