ロボットの頭脳は未決着、世界モデルがVLAの領域に食い込み始めた——期日 2027-07-14

何が争点か:ロボットの「頭脳」には、見る・指示を読む・動くを一つのモデルにまとめるVLAと、環境がどう変わるかを予測することをまず学び、それでロボットを制御する世界モデルという二つの道がある。

なぜ重要か:VLAはいま製品への導入で先行し、世界モデルはインターネット規模の動画で事前学習でき、ロボット専用の動作データより何桁も多いデータを使えるため、どちらが勝つかでロボット企業がどの土台に賭けるかが決まる。

誰が何に賭けているか:Gemini Robotics、Figure、piシリーズはVLAの道を進んで導入で先行し、Cosmos Policyは動画生成モデルを直接制御ポリシーへと事後学習させ、同じデータで微調整済みの最良のVLAを上回った。

本紙の見立て:ロボットがVLA(視覚・言語・動作を一体にしたモデル)で動くべきか、世界モデル(環境の変化を予測することをまず学ぶモデル)で動くべきかは、まだ決着していない。

VLAは製品への導入で先行している。だがCosmos Policyは動画生成モデルを直接ロボット制御のポリシーへと事後学習させ、同じデータで微調整済みの最良のVLAを上回った。世界モデルを土台とする手法がVLAの領域に食い込み始めた兆しだ。

今のところこれは一例にすぎず、肝心なのはほかの独立したチームが同じ結果を出せるかどうかである。

Bruce et al.(Google DeepMind、arXiv)
「We introduce Genie, the first generative…」

12カ月以内に、独立した2チーム以上が「動画モデルや世界モデルを直接ポリシーへと事後学習させ、同じデータでVLAに勝つ」ことを再現すれば世界モデル側が確定する。再現がなければVLAの標準的地位が維持される。

何が起きれば覆るか

独立した再現が2件以上あれば、VLA専用アーキテクチャを標準とする見方は無効になる。世界モデルによるポリシーを誰も再現しなければ、境界があいまいになっているという論は格下げされる。