[エディターズノートvol.29] おもちゃのようなVLA

　ロボットの「VLA」が注目を集めている。
　これは人工知能（AI）モデルの一種で、「ビジョン＝視覚、ランゲージ＝言語、アクション＝行動」の頭文字を取ったものだ。

　数年前から「Chat（チャット）GPT」などの生成AIが社会現象になっているが、生成AIにもいくつか種類がある。代表例がLLM（大規模言語モデル）で、言葉を理解して自然言語でやり取りができるAIをそう呼ぶ。言葉だけでなく、カメラの画像の意味も認識できるとこれが「VLM(ビジョン・ランゲージ・モデル)」になる。「画像に映っているのはリンゴ？」と問いかければ、「違います、これはミカンです」などと返してくれる。

音声で操作できるAIロボットシステム（写真は６月開催の「ロボットテクノロジージャパン2026」のファナックの展示）

　これにロボットなどの制御機能も加えたのが「VLA」だ。「そのボールを箱に入れて」と伝えれば、ロボットがそのボールをつかんで箱に入れてくれる。従来であれば「ボールを位置決めしてその位置をロボットに入力する」、あるいは「ボールとは何か」を事前に登録などした上で、「つかんで箱に入れる動作プログラム」などを事前に入力しなければロボットは使えなかった。VLAならそういった個別のプログラミングは不要だ。

　多くの人がイメージする「フィジカルAI」がまさにこうしたものだろう。

「お茶のボトルを箱に入れて」と指示するとロボットが箱に入れてくれる（写真は６月開催の「ロボットテクノロジージャパン2026」のユニバーサルロボットの展示）

　今年に入って急速に、VLAモデルのAIを使ったロボットシステムを展示会で見かけることが増えた。まだまだ不安定で速度も遅く、たどたどしい動きはまるでおもちゃのようだが、イノベーション研究の世界では社会をひっくり返すような「破壊的イノベーション」は最初実用には堪えない「まるでおもちゃのようなもの」から始まると言われている。

　今後、動作速度が飛躍的に上がることは間違いないだろう。AIは間違えることもあるが、その不安定さをカバーするアイデアも無数に提案されるはずだ。そうなると、VLAモデルのAIで動くロボットの実用化もいよいよ見えてくる。今はまだ「まるでおもちゃ」のような、たどたどしいVLA制御のロボットに今後も注目していきたい。

（曽根勇也：ロボットダイジェスト編集デスク）

※「エディターズノート」は毎月最初の営業日に掲載しています。