次世代ロボットにVLA・世界モデル以外の4要素が必要

要約

ロボット汎用知能の研究は「VLAモデルを大規模化すれば汎化する」という枠組みで語られがちだが、この立場論文はその枠組みが不完全だと主張する。核心的なボトルネックは、人間の動作・動画・シミュレーション等に含まれる豊富な情報をロボット学習に使える形に変換する仕組みの欠如にある。論文は次世代ロボティクスに必要な4要素として、非構造データの自動ラベル付け・人間動作の再ターゲット化・物理基盤の3D推論・報酬推論のインターフェースを提示する。ロボットデモ以外の広範な物理世界からも学習できるシステム構築に向けた研究アジェンダを提案している。