人形ロボットがいつまで展厅にとどまり、現実の問題を解決するツールとなるのか。これは2026年世界人工知能大会で最も繰り返し問われた質問である。7月19日、逐際動力（ZJ Dynamic）の創業者で南方科技大学の准教授である張巍氏はスピーチの舞台に立ち、今まさに人形ロボットを代表とする身体知能が指数関数的な成長曲線上にあることを示し、ロボットの脳システムはGPT-3に相当する段階に達していると語った。

逐際動力は2022年に設立され、張巍氏は会社の定位を明確にした。「製品型で脳を持つ自動車メーカー」というものだ。この数年、同社の資金調達のペースは投資家がその道を認めたことを示している。2023年10月には約2億元の天使輪とPre-Aラウンドの資金調達を完了し、峰瑞資本、緑洲資本、联想創投、明勢創投などの投資家が参加。2024年7月にはアリババがAラウンドを戦略的に主導し、アリババが初めて身体知能分野に投資した。 

image.png

2025年、逐際動力は半年以内に5億元のAラウンドシリーズ資金調達を完了し、アリババや蔚来資本などの主要機関から支援を受けた。その後、京东が戦略的に主導し、両社は小売、物流、サービスのシーンで協働を計画している。2026年1月には2億ドルのBラウンド資金調達を完了し、アブドゥル・アジズ・レイス・キャピタル、東方富海、スターン・キャピタルなどの投資家が参画。既存株主も追加出資した。今年7月には近い2億ドルのPre-IPO資金調達を完了し、レイス・キャピタル、イタリア財団、上場企業の藍思科技、IDGキャピタル、合肥濱湖産発グループなどが投資家として参加。張巍氏は、現在、戦略的な産業関係者と国内外の財務投資機関の包括的な株主構成を持ち、産業化、国際化、市場化の能力がさらに強化されていると述べた。

張巍氏の見解では、多くの人がロボットがまだ遅く動き、何にもできない状態を見て、線形的に未来を予測してしまうが、業界は指数的変革を経験しており、結果を見たあとで対応してもすでに遅い。彼は線形推論の失敗を例に挙げた。ビル・ゲイツは何十年にもわたって言語インタラクションの問題を解決しようと巨額の投資を行ったが、結局成功しなかった。もし大規模モデルが登場する前におそらく10年以上かかると考えていたかもしれないが、技術のパラダイムが変わると、半年で多くの問題が解決された。

意外な見解として、張巍氏はロボットが作りやすいとし、特に人形ロボットが作りやすいと述べた。それは光刻装置や飛行機よりも作りやすく、車よりも作りやすいとし、部品数は車の約10分の1に過ぎないと語った。ではなぜ飛行機は日々空を飛んでおり、車は街中に走っているのに、人形ロボットは多くが展示会にとどまっているのか。彼の答えは、ロボットの本体を造る人材は不足していないが、今日の会議テーマが示すように、重要な能力であるAI、特に物理世界からのデータを扱う「物理AI」が欠けていることだ。物理AIの特徴はインターネットからではなく、現実の物理生活からデータを取ることであり、これこそがAIにおいて最も挑戦的な応用である。その究極形態である人形物理AIは、人の脳を模倣したものである。張巍氏は補足し、人の脳は概念的にはそれほど難しくなく、命令を受け取り、意図を理解し、環境を観察し、どのように動くかを計算するという単純なタスクを持っている。本質的にはマッピングである。しかし、業界にとって真正の課題はデータの不足であると語った。彼は技術の范式がすでに純データ駆動に落ち着いていると考えており、残りはエンジニアリングと細部の問題であり、すべての探求の本質は、あるタスクを遂行するために必要なデータコストを下げるということだと述べた。

脳システムについて、張巍氏は三層構造を描き、Figureの構造に似ているが詳細は異なる。最上層は人的前頭葉に似ており、大規模言語モデル、視覚言語モデル、さらには将来の世界モデルをエンジンとした思考エンジンに該当し、agentic systemと呼ばれ、記憶管理、指示収集、情報理解、タスク計画と意思決定を行う。これは考えることだけを行うSystem2である。中間層は視覚運動皮質に似ており、上層からの意思決定を受け、環境を観察し、運動計画を行う。最下層は小脳と運動制御システムに該当し、動作を実際に実行し、考えるわけではない。張巍氏は業界の真の課題が各層を個別に最適化することではなく、これらの三層をミリ秒レベルのリアルタイムシステムで統合し、ハードウェアと連携して最適化することだと強調した。逐際動力ではこの方向性を「大小脳融合技術」と呼び、会社の最も重要な研究開発方向の一つである。

GPTの時代に比喩すれば、張巍氏はロボットの脳システムがGPT-3に相当する初期段階に到達していると判断している。これは多くの人がまだ非常に早い段階だと考えていることとは異なり、大きな違いがある。しかし彼は、ロボットの脳は単一モデルではなく、大規模言語モデル、視覚言語モデル、世界モデル、記憶管理、タスク計画、運動制御などによって構成されるagentic systemであると注意を促した。逐際動力のこのシステムはCOSAと呼ばれる。モデルは能力を表し、脳は複数のモデルに記憶管理や感情管理、タスク計画などを加えた一連のシステムを意味する。彼は例えを挙げて説明した。System2がLLMによって駆動されれば、病床に横たわって動けないが思考できる障害者のような存在になる。VLMによって駆動されれば、目があり、世界を見ることができる障害者のようになる。そして世界モデルが加われば、物理を学んだホーキンスのような存在になり、物理世界を理解し予測することができる。具身知能が行うのは、この賢いSystem2が行動を指揮し、障害者のリハビリのようにデータと練習を通じて下位のスキルを獲得することである。張巍氏はまた、GPT-3からGPT-3.5への進化に2年以上かかったことを指摘し、ロボットの脳は単一モデルではなく、システムであるため、彼の考え方と多くの人の考え方が異なることを強調した。

スキルの習得についても、張巍氏は一般的な見解とは逆の意見を述べた。スキルが非常に汎用的でなければ、脳があるとは言えない。人はネジを締められない、運転ができないとしても、普通の有脳の人間である。スキルの汎用性が知能のレベルを示すわけではない。スキルの構築は、まず何を学び、次に何を学ぶか、そしてそれに伴うデータコストに依存する。さまざまなスキルの難易度は大きく異なる。例えば、環境とのリアルタイムの相互作用が必要ないダンスのようなスキルは比較的簡単だが、階段の上り下りのようなリアルタイムの相互作用が必要なスキルは難しい。逐際動力のロボットOllieが階段を上る事例は、リアルタイムの大小脳融合技術の良い例であり、階段はある程度までシミュレーション環境で処理できる。一方で、机を片付けることは真機データに依存する。張巍氏は、昨年から研究し、今年発表したCOSAシステムが人の指示を受け、System2でタスク計画を行い、ナビゲーション位置決めや具体的なタスクをスケジューリングすることができることを紹介した。例えば、ロボットに配達をさせる場合、最初に水を持って客に渡し、その後荷物を配達する。その動作はリアルタイムで生成される。最近、COSAは重要なアップグレードを完了し、完全自律的でリアルタイムでの長距離タスクを実行できるようになった。遠隔操作やリモコンなしで、家庭環境の中で1つのモデルと1つのスキルだけで全身の移動と操作を直接推論し、モデルは純データ駆動で専門家のルールは必要ない。彼は、Figure以外ではこのような長距離の移動と操作を実行できる会社は非常に少ないことを指摘し、全身の移動と操作を統合したシステムは特に珍しいと述べた。

商業化について、張巍氏は人形ロボットの基本的な論理を「汎用的な本体＋アプリ」とまとめた。単一のスキル、例えば踊りは価値が限られているが、ロボットの構造を変えずに継続的に異なるスキルとアプリケーションを積み重ねていくことで、最終的に「吸星大法の転換点」を迎える。十分なアプリケーションが汎用的な本体に集まるようになる。彼は産業チェーンにおいて、オートメーカーが最も重要であると考えており、その理由は上流と下流をつなぐ役割を果たすからである。逐際動力は製品型で脳を持つオートメーカーとして定位し、技術面ではFigureと同等に合わせており、産業化面ではより積極的である。コンセプトは「processではなくpeopleを対象にする」であり、二本の脚を持つ人形ロボットは生産プロセスではなく人間のためのものであるため、工業現場での試みは優先しない。人間の環境で受付や公共サービスに向いている。彼は商業化の鍵を「スキルのデータコストがそのスキルが生み出す価値よりも低いこと」だとまとめた。そうすることで、そのスキルは価値があるとされる。