何が起きたか
GE-Act 2.0は、2026-09-04にarxiv.orgで公開された論文で、ロボット操作向けのワールドアクションモデルを提案した。モデルは、制御志向オートエンコーダー（CoAE）、単一ステップ視覚プランナー（SVP）、逆ダイナミクスモデル（IDM）を組み合わせ、操作データ上で訓練可能な生成・行動コンポーネントをゼロから初期化している。共同学習データを300時間から30,000時間に増やすと、G1-OPの成功率は17.1%から44.1%、G2-90Dは13.4%から31.1%に上がった。
詳細
論文は、CoAEが強い圧縮下でも行動と指示に関係する情報を保持し、SVPが1回の微分可能な計算で完全な未来状態を生成すると説明する。視覚計画と逆ダイナミクスは補完的なデータで別々に事前学習し、その後に知識整合型選択的最適化（KASO）で共同学習する設計である。 評価は、タスク別の微調整を行わずに実施し、20の操作技能群にまたがる100タスク、保持されたシーン・背景・照明・物体インスタンスを対象とした。論文はまた、G2-90Dが共同学習データの2%未満を占めるにもかかわらず17.7ポイント改善したとし、技能別カバレッジとゼロショットのOOD成功率の相関としてPearson r=0.80、Spearman rho=0.85を示した。
Key Facts
| GE-Act 2.0は、操作データ上で生成・行動コンポーネントをゼロから初期化したワールドアクションモデルである。 | [1] |
| モデルはCoAE、SVP、IDMを組み合わせ、KASOで共同学習する。 | [1] |
| 共同学習データを300時間から30,000時間に増やすと、G1-OPは17.1%から44.1%、G2-90Dは13.4%から31.1%に上昇した。 | [1] |
| 評価は100タスク、20の操作技能群、保持されたシーン・背景・照明・物体インスタンスで行われた。 | [1] |
| 技能別カバレッジとゼロショットOOD成功率の相関はPearson r=0.80、Spearman rho=0.85であった。 | [1] |
本紙の見方
GE-Act 2.0の新規性は、動画生成器を流用せず、操作データから生成・行動系をゼロ初期化した点にある。多くのワールドアクションモデルが既存の動画生成基盤を出発点にしていたのに対し、この論文はCoAE、SVP、IDMを別々に事前学習し、KASOで再結合する構成を取る。つまり、見た目の再現よりも、行動に必要な未来状態の予測と指示追従を優先した設計である。 300時間から30,000時間への拡大で成功率が大きく伸びた一方、G2-90Dは全体の2%未満の比率でも17.7ポイント改善しており、データ量とデータの偏りの両方が効いている可能性がある。さらに、20技能群のうち19/20と18/20で改善が出たことは、汎用化が一枚岩ではなく、技能ごとのカバレッジがゼロショットOOD成功率と相関するという論点を支える。 業界構造への含意としては、ロボット基盤モデルの競争軸が、単なる大規模動画学習から、操作タスクに即したデータ設計と学習分離に移りつつある点が挙げられる。未来状態予測、指示理解、逆ダイナミクスをどう分離し、どの段階で結合するかが、実機の操作性能を左右しうる。とくにKASOのような選択的最適化は、誤った監督信号をどう減らすかという学習設計上の争点を示している。 未確定の論点は、100タスクでの評価が実機の長期連続操作にどこまで拡張できるか、また30,000時間の共同学習データの内訳が性能にどう効いたかである。論文はタスク別微調整なしのゼロショット評価を示すが、実運用での稼働率、失敗モード、安全性、BOMや機体差への耐性は本文だけではまだ判断できない。
なぜ重要か
論文が示したのは、ロボット操作モデルの成否が「どれだけ動画を学習したか」だけでは決まらず、操作データの配分と学習の切り分けに左右されるという点である。GE-Act 2.0は、20技能群でのゼロショット評価とOOD条件での結果を通じて、汎化の条件が技能別のデータ被覆にあることを示した。
日本への影響
日本のロボット産業にとっては、実機操作データをどう集め、技能ごとにどう配分するかが焦点になりうる。とくに産業用ロボットやサービスロボットで、視覚計画・逆ダイナミクス・選択的最適化をどう組み合わせるかは、既存の機体制御や現場データ収集の設計と接続して考える必要がある。