GEN-1.5 ロボットが3秒デモで新タスク習得の物理AI

GEN-1.5の概要

Generalist AIは2026年8月21日、新世代のロボット基礎モデル「GEN-1.5」を発表した。量子位の夢瑶による報道によれば、このモデルの最大の特徴は、3〜12秒間の動作デモを見るだけで未学習の新タスクを即座に実行できる点にある。

GEN-1.5は、同社が8ヶ月以上にわたり大規模な物理相互作用データを連続投入して事前学習したモデルだ。 One-shot Learningを実現し、人間がブラシで掃く動作をデモした後、ブラシをバナナに置き換えるとそのままバナナで掃除を続け、雑巾を追加すると手動で両手協調動作を補完して単手掃除・単手受取りを自発的に開始する。学習プロセス全体が0勾配更新・0微調で完遂できる場合がある。

同社はこの能力を「物理版Prompt Engineering」と称している。従来の言語モデルで文本をコンテキストに投入してタスクを学習させる手法を、ロボットアームの動作データへと拡張した試みだ。

プロンプトでロボットを制御

GEN-1.5が実現したのは、テキストベースのIn-Context Learningを物理世界に適用するアプローチである。大規模言語モデルにおけるFew-shot学習と同様に、直前に実行された動作もコンテキストとしてモデルに与えられる。

具体的には、カップ蓋の積みゲームのように人間がデモを終えた瞬間にロボットが動作を開始し、習得からタスク完了までに要する時間はデモ時間の約半分に短縮されたと報じられている。ジッパーの開閉、杯蓋の積み上げ、財布からの物品取出しなど、種々のタスクでPhysical Promptとして動作が利用された。

一般的な大規模言語モデルを扱う手法と構造的に類似しており、新しい文章形式をClaudeに学ばせる際に再学習せず例をコンテキストに投入するのと同様のロジックが、GEN-1.5ではロボットアームの制御に適用されている。

複数デモの統合と仮想環境からの移行

GEN-1.5のもう一つの注目すべき能力は、異なるデモを連続的に組み合わせて実行できる点だ。動作Aのデモに続いて動作Bのデモを見せるだけで、モデルは両方の技能を連続タスクとして自発的に統合する。途中、人間からデモされていない連携動作も再設定や姿勢切り替えとして自主的に補完する。

さらに、このモデルは仮想世界でのデモでも拒絶しない。スクリプト戦略で生成された動作、強化学習エージェントによるデモ、人間がリモート操作したロボットの作業いずれもPhysical Promptとして利用可能だ。左侧のシミュレータに存在する仮想デモを視覚的に処理し、右侧の実世界で1対1に再現する能力が確認された。

事前にシミュレータで特別に学習したわけでも、実世界で練習したわけでもないタスクを、仮想環境でのデモから直接実行できる点は、クラウド環境での学習とオフラインでの即戦力化を同時に達成したことを示唆している。

実験結果：成功率の推移

Generalist AIは10種類のタスクでGEN-1.5の性能を評価した。Physical Promptを1回だけ与え、0回の勾配更新という条件下での平均成功率は59%だった。各タスクにさらに5分間のデータを与え10ステップの勾配更新を実行すると、成功率は83%に向上した。

現在のテストタスクは短距離で比較的素朴な操作が中心であり、同社自身もIn-Context方式で臨時に習得した技能は、FINE-TUNE（ファインチューン）を経たモデルの安定性にまだ及ばないと認めている。だが研究コミュニティの反応はむしろ59%という数値自体に向けられている。0回の学習でこの水準を達成できる可能性があることの方が、むしろ注目に値する。

One-shot能力の自然発生

最も興味深いのは、このOne-shot学習能力が明示的に設計されたものではないという点だ。量子位の報道によれば、Generalist AIはIn-Context Learningに特化したモデルアーキテクチャも、Meta Learningループの特別設計も、即興的な技能習得を強制する目的関数も導入していない。

この能力が現れた経緯は、大規模な物理データの事前学習過程における観察に基づく。当初は新しいタスクに数百ステップの微調が必要だったが、学習を進めるうちに数十ステップ、さらに10ステップに減少。最終的には1分間のデータと1ステップの勾配更新で学習が成立するに至り、0ステップでも動作可能であることが判明した。

これは大規模言語モデルで観察されたスケーリング則と構造的に類似している。モデル規模と事前学習データを増大させ続けると、Few-shotやIn-Context Learningといった能力がThresholdを超えて出現する現象だ。GEN-1.5においても、連続的な物理軌跡データの長期的な学習が、直前の動作をコンテキストとして次の動作決定に活用する能力を自然に孵化した可能性がある。

編集部の見解

短期的に見れば、GEN-1.5はロボティクス分野において「デモベース学習」のコストを劇的に下げる効果を持つ。従来は数時間から数日を要した新タスクへの適応が秒単位で完結し、製造現場や物流倉庫でのロボット導入におけるユーザー体験が根本的に変わる可能性がある。

長期的には、物理データのスケーリング則が確認されたことは、今後のロボットAI研究の方向性を大きく左右する。連続的な物理軌跡データの質と量を如何に確保するかが、この分野の競争力の鍵を握ると見ることができる。

GEN-1.5の59%という成功率は、現時点では実用上の信頼性とは言い難い。だが0回の微調でこの水準に到達しうるという発見自体が、ロボット基礎モデルにおけるスケーリングの潜在力を示している。言語モデルで起きたような「能力の急激な改善」が、物理AIの世界でも再現されるのかどうかが、今後1〜2年の最大の検証課題となるだろう。

参考

• 「机器人的GPT-3时刻真·来了！卡卡西上身，看3秒就学会新动作」, by 梦瑶 — 量子位, 2026-08-21T07:17:58.000Z (ARR)
• 元記事URL: https://www.qbitai.com/2026/08/476596.html