GigaBrain-0.7、三システム構成で具現知能の汎化を拡張

具現知能の研究では、画像と言語から直接ロボット動作を出力するVLAモデルが大きな流れになっています。一方で、長い作業手順、未知の環境、異なるロボット本体を扱うには、単純な入力から動作への変換だけでは不十分な場合があります。GigaBrain-0.7は、この課題に対して三システム構成と大規模な異種データ学習で取り組みます。

理解・予測・行動を統合

本モデルの中心的な考え方は、視覚言語理解、環境の予測、行動生成を一つの具現基盤モデルに統合することです。ハイライトでは、第三のシステムを世界モデルと位置付け、ロボットのリアルタイム意思決定ループに組み込むと説明されています。つまり、ロボットはすぐに動くのではなく、候補となる行動が環境に与える結果を先にシミュレーションし、比較してから実行することを目指します。

この設計が安定して機能すれば、長いタスク列や、物体の状態が予想と異なる場面への対応に役立つ可能性があります。ただし、提供された素材には各システムの接続方法、世界モデルの規模、推論遅延などの詳細はありません。実運用への適性は、完全版の論文と実験結果を確認する必要があります。

3万7,000時間超のデータと一段階のアライメント

GigaBrain-0.7は、3万7,000時間を超える異種の具現データで事前学習を行います。センサー、環境、動作空間、ロボットの身体構造が異なるデータを組み合わせることで、特定のプラットフォームへの依存を抑え、共通する表現を学ぶことが狙いです。もちろん、データ量だけで汎化が保証されるわけではありませんが、複数の身体を同時に扱うための基盤にはなります。

また、視覚言語理解と複数のロボット本体向け行動生成を同時に最適化する一段階アライメント学習を導入します。双ピラミッド構成と組み合わせることで、「一つのモデルで多くのタスク」を実現し、タスクごとに完全に別の方策を用意する必要を減らすことを目指します。

評価結果と残る論点

素材によれば、従来のGigaBrain-0シリーズやπ₀.₅と比べ、基盤モデルのゼロショット能力、言語条件付きの指示追従、追加学習後のタスク成功率が改善しました。評価対象には自社開発のMaker H01、主流のロボット本体、家庭および産業シナリオが含まれます。さらに、RoboColiseumの4評価で首位となり、10以上のタスクを20分超の連続撮影で実行したとされています。

ただし、今回の素材には具体的なスコア、各ベースラインの条件、失敗例、長時間実演の詳細がありません。そのため、現段階ではランキングやデモの主張をそのまま一般的な優位性とみなすべきではありません。学習コードと事前学習済み重みの公開予定は、再現性を検証するうえで重要です。

GigaBrain-0.7の意義は、世界予測を行動ループの内部に置いた点にあります。異なるロボットへ安定して移植できるなら、具現基盤モデルは実演動作の再現から、目標と結果を考慮した行動選択へ進む可能性があります。一方、未知のハードウェアへの対応、開放環境での予測精度、三システム構成の計算コストは、今後も検証が必要です。

出典：Hugging Face Daily Papers