XsparkAI、触覚付き事前学習モデル「Spark-0」を公開　HumanTouch 1,000時間で訓練

何が起きたか

XsparkAIは2026年10月15日、器用なロボット操作向けの空間整合型vision-tactile-language-action（VTLA）モデル「Spark-0」を公開した。1,000時間のHumanTouchデータセットを中核に、Egocentric video、ロボットデータ、シミュレーションを組み合わせて事前学習している。公開資料では、視覚のみの事前学習と比べて、HumanTouchの触覚を保持した場合にEgo Humanoidでの成功率が52.5%から71.7%へ、SparkArena-Realでは44.0%から52.0%へ上昇したとしている。

詳細

Spark-0は、触覚グローブ由来の画像空間接触マップと、凍結した3D幾何教師の特徴量で視覚トークンを監督する一方、推論時にはこれらの目的を外す構成である。触覚経路は、地域ごとの力の履歴と3D taxel状態を符号化し、行動エキスパートを条件付けする。単一チェックポイントで、vision-onlyとtactile-conditionedの両方の展開を支える設計だ。 評価面では、SparkArenaでvision-onlyのシミュレーション課題と、触覚条件付きの実機課題を同一の器用なボディ上で扱っている。Spark-0はSparkArenaの両トラックで最高の平均成功率を示し、Ego Humanoid Manipulation Benchmarkの8つの集約指標で1位となったとしている。

Key Facts

本紙の見方

Spark-0の新しさは、ロボットの接触操作で重要な触覚を、推論時の入力としてだけでなく事前学習の監督信号として使っている点にある。画像だけでは見えにくい力、順応、滑り始めを、触覚グローブ由来の接触マップと3D幾何教師で補い、しかもその監督を推論時には外すという構成は、視覚中心の大規模事前学習の延長ではあるが、接触リッチな操作に対する学習の置き方を変えている。 本紙の見方では、焦点はモデル名よりもデータと学習手順の組み合わせにある。HumanTouchの1,000時間という規模に、egocentric video、ロボットデータ、シミュレーションを重ね、さらにSparkArenaでvision-only課題と触覚条件付き実機課題を同一実体で比較できるようにしたことで、視覚・触覚・行動の結びつきを一つのチェックポイントに収めている。これは、単に触覚を追加しただけではなく、学習時の教師信号と展開時の入力を切り分けることで、触覚をデータ拡張ではなく汎用表現の形成に使おうとする設計である。 既定路線の延長としては、ロボット政策を大規模データで事前学習する流れそのものは変わらない。他方で、今回の結果は、触覚を「最後の制御層の補助信号」にとどめず、事前学習のスケール要因として扱えることを示そうとしている。Ego Humanoidで52.5%から71.7%、SparkArena-Realで44.0%から52.0%という差は、触覚が単なる追加センサーではなく、学習データの価値を引き上げる役割を持つ可能性を示唆する。 未確定の論点は、1,000時間のHumanTouchがどの程度多様なハンド形状や物体群を含むか、Spark-0がどの条件でvision-onlyとtactile-conditionedの間をどこまで安定に切り替えられるか、そして実機課題での成功率改善がどのタスク類型に集中しているかである。公開資料は性能指標を示しているが、量産的な実装条件や計算規模、センサー構成の詳細な再現性まではまだ判断材料が限られる。

なぜ重要か

発表資料が示す通り、Spark-0は触覚を推論入力に限定せず、1,000時間のHumanTouchで事前学習の監督として使っている。これにより、接触を伴う操作で必要な学習データの取り方が、視覚中心の設計とは異なる形で再定義される可能性がある。 また、vision-onlyと触覚条件付きの両方を単一チェックポイントで扱う設計は、実機とシミュレーションをまたぐ運用の切り替え条件に関わる。どの場面で触覚を使い、どの場面で外せるのかが今後の焦点になる。

日本への影響

日本企業や研究機関にとっては、器用なマニピュレーションで必要になる触覚データ収集と、視覚・触覚をまたぐ事前学習基盤の整備が論点になる。特に、触覚グローブ、taxel、ロボット実機データをどう組み合わせるかは、部品・センサー・学習基盤をまたぐ設計課題である。