世界モデルを訓練後に外すと、なぜロボットは強くなるのか

世界モデルを常時使わないという発想

具身知能の分野では、世界モデルをロボットの内部シミュレーターとして利用する設計が多い。ロボットは動作後の未来を予測し、複数の候補を比較して次の行動を決める。しかし、実行時に予測と探索を繰り返すと、遅延や計算量、システムの複雑さが増える。工場で長時間稼働させる場合、この負担は無視できない。

光象科技と清華大学・李升波教授の研究チームが発表したPhi-WM 1.0 ActEffectは、世界モデルの役割を逆転させる。世界モデルは訓練中に候補動作の結果を点検するが、訓練が終われば実行経路から取り除かれる。

3つの動作案を比較する

出発点は模倣学習だ。従来の方策は、デモンストレーションの動作に近い出力を目指す。しかし現実のロボットでは、数値的に似た動作でも結果が一致するとは限らない。把持のタイミングや手首の角度がわずかにずれるだけで、つかむ、挿入する、配置するといった作業が失敗することがある。

ActEffectでは、方策が3つの完全な動作案を出す。1つ目はフィードフォワード分岐による初期案、2つ目はMIPアクションヘッドによる粗い案、3つ目はそれを精密化した最終案だ。世界モデルは現在の画像状態と各動作案を受け取り、その動作を実行した後のシーン変化を予測する。

ここで未来の画像を写実的に生成する必要はない。未来状態は凍結したDINOv3の視覚特徴空間に写され、物体の位置や姿勢、シーン構造の変化を比較する。言語指示はVLA側に残り、世界モデルは「何をするか」ではなく「その動作が物理的に何を引き起こすか」を扱う。

訓練データには、動作後の実際の観測結果が含まれている。3つの予測をこの観測と比較し、精密化された案が粗い案より良く、粗い案が初期案より良くなるようランキング損失で方策を更新する。勾配の切り詰めも導入され、悪い案を意図的に悪化させて相対的な優位を作る抜け道を抑える。

ベンチマークの結果と残る課題

報告によれば、LIBEROでの平均成功率は98.8%。カメラ視点、初期状態、言語表現、照明、背景、センサー雑音、物体配置などを変えるLIBERO-PLUSでは80.3%となった。人型ロボットGR-1を使い、29次元の動作空間を扱うRoboCasa-GR1では67.5%だった。

アブレーション実験でも、設計の各要素の効果が示されている。結果フィードバックを外すとLIBEROは97.0%、DINOv3特徴をVLM表現に置き換えると97.3%、ランキング損失を外すと98.1%に低下した。

ただし、これらは主にシミュレーション基準での結果だ。素材にはPhi-Bot X1が実環境で21.5時間、エラーや中断なく稼働した検証も紹介されているが、これはシステム全体の実証であり、ActEffect単体の大規模な実機検証と同一視はできない。異なる車種、部品、作業セルへの移行や、長期稼働での安定性は今後の課題である。

産業応用にとっての意味

ActEffectが示すのは、世界モデルを常時稼働する「オンラインの頭脳」にしなくてもよいという可能性だ。訓練中の結果評価器として使い、動作の結果に関する情報を方策の重みに書き込めば、実行時には軽量な動作モデルだけを残せる。これにより、遅延や計算資源、複数拠点へ展開する際の運用コストを抑えられる可能性がある。

工場で重要なのは、単発の成功率だけではない。サイクルタイム、安全性、故障率、復旧、導入期間、別の作業セルへの複製コストまで含めて評価される。ActEffectは「訓練時には多く考え、実行時には少なく計算する」という道筋を示した。これが本当の競争力になるかは、長期の生産ライン運用と追加の実機データによって判断されることになる。

量子位