Physical Intelligence、ロボット基盤モデルπ0.6の実証結果を公開 折りたたみと梱包で自律性向上

何が起きたか

Physical Intelligenceは2026年2月24日、ロボット基盤モデルπ0.6の実証結果を公開した。同社のパートナーであるWeave（家庭用ロボット開発）とUltra（産業用AIロボット開発）の現場データに基づき、折りたたみ作業ではπ0.5比で自律性が向上し、Weaveのデータを事前学習に含めることでミス回数が42%、介入回数が50%減少した。Ultraの梱包作業では、π0.6で成功率がπ0.5を上回り、Ultraのデータを事前学習に加えることでスループットが向上した。

詳細

Physical Intelligenceは、ロボット基盤モデルπ0、π0.5、π0.6、π*0.6を提供している。Weaveの折りたたみ作業では、π0.6はπ0.5と比較して自律性（総時間に対する自律動作の割合）が向上し、Weaveのデータを事前学習に含めた場合（+WPT）、ミス回数（2回以上の連続失敗）が42%、介入回数が50%減少した。Ultraの梱包作業では、π0.6はπ0.5と比較して成功率が向上し、Ultraのデータを事前学習に含めた場合（+UPT）、スループット（1時間あたりの梱包数）が向上した。また、π0.6はプロンプトへの従順性が向上し、エッジケースでの回復戦略が多様化した。これらのモデルは実際の顧客倉庫で稼働し、1日あたり数千件の注文を処理している。

Key Facts

本紙の見方

今回の発表は、Physical Intelligenceが開発するロボット基盤モデルπ0.6の実証結果を、パートナー企業の現場データとともに公開した点で注目される。同社はこれまでπ0、π0.5とモデルを更新しており、π0.6はその最新版として位置づけられる。公開されたデータは、折りたたみ作業と梱包作業という異なる領域での性能向上を示しており、モデルの汎用性を強調する内容だ。 特に重要なのは、パートナー企業のデータを事前学習に含めることで性能が向上した点である。Weaveのデータを加えるとミス回数が42%、介入回数が50%減少し、Ultraのデータを加えるとスループットが向上した。これは、モデルの事前学習に顧客データを組み込むことで、特定のタスクや環境への適応が促進されることを示唆している。Physical Intelligenceは、このような協業を通じてモデルの汎用性を高め、API型LLMのように誰でも利用できる物理インテリジェンス層を構築しようとしている。 この戦略は、ロボット開発のバリューチェーンに大きな影響を与える可能性がある。従来、ロボットシステムを構築するには、コントローラの実装、データパイプラインの構築、モデルの訓練など、物理インテリジェンススタック全体を自前で構築する必要があった。Physical Intelligenceが提供する基盤モデルは、このスタックを外部化し、開発者がアプリケーション開発に集中できるようにする。これは、ソフトウェア業界でAPIが普及したのと同様の変革をロボット業界にもたらす可能性がある。 一方で、未確定の論点も残る。公開されたデータは特定のパートナー企業の現場に基づくものであり、モデルの性能が他の環境やタスクでも同様に発揮されるかは不明だ。また、モデルの学習データや計算資源の規模、API提供の具体的な形態や価格設定なども明らかにされていない。今後の発表で、これらの点が明らかになることが期待される。

なぜ重要か

Physical Intelligenceの取り組みは、ロボット開発の参入障壁を下げ、多様な応用を促進する可能性がある。基盤モデルがAPIとして提供されれば、開発者はインフラ構築に時間を費やすことなく、特定のタスクに特化したロボットアプリケーションの開発に集中できる。これは、ロボット産業のエコシステムを根本から変える可能性を秘めている。