6月16日、アリババは正式に千問具身知能大モデル「Qwen-Robot」シリーズを発表しました。このシリーズは、VLA操作モデルである「Qwen-RobotManip」、VLN移動モデルである「Qwen-RobotNav」と、世界モデルである「Qwen-RobotWorld」の3つの主要なコンポーネントから構成されています。この戦略的動きは、大手企業が具身知能の基本モデル分野での展開をさらに深めていることを示しており、ロボットの操作・ナビゲーションおよび物理法則の推論の協調動作を実現しています。

従来のVLAモデルにおいて、ハードウェアやシナリオが変更された際に移行能力が不足している業界の課題に対して、「Qwen-RobotManip」は80次元の統一されたアクション表現を導入し、異なる形態のハードウェアに共通の「体の言葉」を定義しました。これにより、異なるデバイスでわずかなフィードバックだけで自動的に適応できるようになります。配達や道案内を担当するVLNモデル「Qwen-RobotNav」は、Qwen-VLに基づいて構築されており、言語指令によるナビゲーション、目標検索、自律走行などの5つのタスクグループを単一のフレームワークに統合し、複雑なタスクにおけるモデル切り替えコストを解消しています。

思考の脳としての「Qwen-RobotWorld」は、システムに物理的な世界の推論能力を提供し、次のアクションと状態を予測・シミュレーションできます。現在、具身知能は単一のシナリオから汎化可能な方向へと重要な転換点に差し掛かっています。アリババがこのたび3つのモデルを同時に発表したことで、技術アーキテクチャの分離と多モダリティ能力の統合を通じて、異種ロボットの汎用的な展開が加速されることが期待されます。