UnitreeがUnifoLM-OminiA-0.3を実演、全モダールAIで介護ベッド操作

人型ロボットが家事をする映像を見ていて、指示を出してから動き出すまでの数秒の沈黙にじれったさを感じたことがある人は多いはずです。音声をテキスト化し、別の大規模言語モデルで計画を立て、さらに別の画像認識モデルにバトンを渡す従来のやり方では、どうしても動きがぎこちなくなっていました。

中国のロボット企業 Unitree（宇樹科技）が公開した最新の具身 AI モデル「UnifoLM-OminiA-0.3」は、その継ぎ接ぎの仕組みを解体しようとしています。YouTube で公開されたデモ動画はすでに 160 万回以上再生され、大きな注目を集めています。

ひとつの脳で会話から全身操作までこなす

UnifoLM-OminiA-0.3 の最大の特徴は、音声対話、視覚認識、環境推論、そして全身の移動マニピュレーションを単一の統合モデルで処理する点にあります。

これまでのロボットのように機能ごとに別々の AI モデルを切り替える必要がないため、周囲の状況をリアルタイムに把握しながら連続してタスクを実行できます。

動画内では、クッションを拾ってソファに置く、色を識別して薬の箱を数える、指定された薬を棚から取り出す、洗濯物をカゴに仕分ける、食器洗い機に皿を入れるといった、家庭や介護現場を想定した一連の作業を披露しました。

とりわけ目を引いたのは、人間からの割り込みに対する即応性です。ロボットが病院用ベッドの高さを手動ハンドルで調節している最中、人が途中で「止まって」と声をかけると、ロボットは動作の途中でも即座に作業を中断しました。指示を受けてから動きを止めるまでのタイムラグがほとんどありません。

このモデルは突然生まれたわけではありません。Unitree は 2025 年に物理環境の予測を担う「UnifoLM-WMA-0」を発表し、2026 年初頭には学習コードと重みをオープンソース化した「UnifoLM-VLA-0」を公開していました。さらに約 2 万 6900 元（約 4290 ドル）という低価格な上半身人型ロボットを投入するなど、ハードとソフトの両面で布石を打ってきました。

なぜ重要か

ロボットのアクロバティックな動きよりも、介護やヘルスケアという実用的な現場に焦点を絞った点が極めて賢明だと考えます。

高齢者や患者の近くで働くロボットにとって、作業スピードよりも重要なのは安全性と柔軟性です。作業中に人が話しかけたり危険を察知して制止したりしたときに、即座に反応できる仕組みがなければ、どれだけ器用に動けても家庭や病室には入れられません。

業界全体にとっても、音声、視覚、運動制御を別々に開発する時代から、すべてを単一のエンドツーエンドモデルで統合する潮流への移行を決定づける動きと言えます。低価格なハードウェアと組み合わせることで、介護ロボットの実証実験にかかるコストは劇的に下がるはずです。

一方で、整然とした実験環境と、物が散乱する現実の家庭環境との間には依然として大きな隔たりがあります。エンドツーエンドのモデル特有の挙動の予測しにくさも、安全基準の厳しい医療現場では懸念材料として残ります。今すぐ実戦投入できる段階ではありませんが、人間と共存するアシスタントの方向性としては極めて説得力のある一歩です。