AGIBOT GE-Act 2.0 — 学習データを増やすと、ロボットはどこまで伸びるか

AGIBOTは2026年9月10日、世界の変化の予測とロボットの行動生成を結びつける 世界行動モデル「GE-Act 2.0」を発表した^[1]。 本紙が注目するのは、学習データを増やした効果を、作業ごとの追加学習なしで測った点だ。 学習の成果を別の環境へ持ち出せるかを考える材料になる。 ただし、研究上の改善と、現場で仕事を任せられる水準は分けて読む必要がある。

何を予測し、何を動かすモデルか#

同社によると、GE-Act 2.0は既存の動画生成モデルを土台にせず、ロボットの操作データから 全パラメータを初期状態から学習する。将来の状態を予測する世界モデルと、その変化に対応する 動作を求める逆動力学モデルを組み合わせる設計だ^[1]。

追加学習なしで測った成功率#

AGIBOTは、学習データを300時間から30,000時間へ増やした際の結果を公表した。 評価対象は100の基本タスク、20の技能区分、2種類の機体だ。評価時には作業別の追加学習や 追加実演を行わず、訓練に含まれない場面、背景、照明、物体の個体を使ったとしている^[1]。

「覚えた作業」の外側をどこまで測れるか#

本紙は、この評価を導入時の調整負担を考える入口と捉える。 作業ごとに調整した後の成績だけでは、基礎となるモデルが持つ能力と、 調整によって得た能力を区別しにくい。追加学習を挟まない比較なら、 学習データを増やした効果を検討しやすくなる。

ただし、環境の変化にも幅がある。物体の色や置き場所が変わる場合と、 道具の使い方や作業の目的自体が変わる場合では、試している能力が異なる。 導入担当者が確かめたいのは、自分の現場で起きる変化が評価条件に含まれているかだ。 「未知の環境」という言葉だけで、自社の工程でも通用すると判断することはできない。

成功率の改善を工程の判断へつなぐ#

表が示す改善は、データを増やす研究上の意義を支える。一方、改善後も作業の失敗は残る。 現場への導入を判断するなら、平均成功率に加えて、どの作業で止まり、 失敗後にどの状態が残るかを確かめたい。物を置き直せば再開できる失敗と、 部品を傷つける失敗を、同じ一件として扱うべきではない。

例えば導入試験では、対象工程に絞って成功条件を定め、人が介入した回数、 復旧にかかった時間、作業完了までの所要時間を併せて記録する方法が考えられる。 これはGE-Act 2.0で確認済みの成果ではなく、本紙が提案する評価の観点だ。 モデルの成績を、工程を維持するための負担へ置き換えるためである。

次に知りたいのは、追加データの価値#

データを増やせば成績が伸びるという結果を受けて、次に問いたいのは、 どの経験を追加すれば対象工程の失敗が減るのかという点だ。 収集時間だけを目標にするより、失敗しやすい物体や条件を特定し、 学習前後で同じ評価を繰り返すほうが、投資の効果を判断しやすい。

GE-Act 2.0の発表は、ロボットの学習を継続的に改善するための検討材料になる。 本紙としては、データ量と成功率の関係に加え、対象工程での失敗の内訳と復旧負担まで そろった時点で、導入価値を評価したい。 現場での評価を考える際には、関連コラム「VLAは本当に工場で使えるのか」も参照されたい。