ロボットはなぜ「人の作業動画」を見始めたのか：Riemann-1.0の示す方向性

導入

WAIC 2026 で発表された Riemann-1.0 が注目された理由は、RoboCasa-365 で 62.6% の成功率を出し、従来の SOTA を 8.4 ポイント上回ったことだけではない。より重要なのは、その学習レシピだ。ロボット自身のデータだけに頼るのではなく、人間が料理し、服をたたみ、食卓を片付ける一人称動画を大量に見せ、その後ロボットの実行可能な動作へ合わせ込む。

核心ポイント

• データの主役が変わった：Riemann-1.0 の学習データは約 23.2 万時間。そのうち 20 万時間以上が人間の一人称動画で、さらに 1.2 万時間以上の UMI と外骨格グローブデータ、2 万時間以上の実機・シミュレーション軌跡を含む。対象は 41 種類のロボット本体に及ぶ。
• VLA と世界モデルの融合を狙う：同モデルは World Action Model と説明されている。直接アクションを出す VLA 的な能力と、環境変化を予測する世界モデル的な能力を一つの枠組みにまとめる発想だ。
• 人間動画には動作ラベルがない：人の手の動きは映っていても、ロボットの関節角やグリッパーの力は記録されていない。そこで動画補正、VLM による細かな行動分割、品質検査、手の 3D 姿勢復元、世界座標での軌跡推定を行い、学習可能な手がかりへ変換する。
• 学習は段階的に制御へ近づく：最初は人間動画から物理的直感を学び、次に UMI とロボット動作データで補正し、最後にロボットデータで実行制御を強める。素材ではアクション損失の重みが 0.1、0.5、0.9 と変化するとされている。

意義と影響

重要なのは、人間動画が単なるデータ量の追加ではなく、長手順タスクの汎化を押し上げた点だ。RoboCasa-365 の消融実験では、人間動画を加えることで成功率が 48.2% から 62.6% に上がった。EgoVLA ベンチマークでも、長い多段階タスクや未知の視覚背景で改善が示されている。

これは具身 AI のデータ問題に対する一つの答えになり得る。ロボットの遠隔操作データは高価で、収集速度も限られ、機体依存性も強い。一方、人間の作業動画は大量に存在し、物体との関わり方、作業順序、失敗への対処といった情報を含んでいる。これをうまく抽出し、ロボット動作へ対応づけられれば、家庭、倉庫、実験室などの長い作業で有利になる。

もちろん、ベンチマークやデモは商用展開の保証ではない。安全性、コスト、例外処理、長時間稼働にはまだ課題が残る。それでも Riemann-1.0 は、次世代のロボット基盤モデルが「ロボットの軌跡だけを学ぶ」段階から、「人間が世界をどう変えるかを観察する」段階へ移りつつあることを示している。

出典：量子位