ロボット向けAIモデル「VLA(Vision-Language-Action、視覚・言語・行動を統合したAI)」を手がける中国企業Galaxeaが、新型モデル「G0.5」の技術報告を公開した。従来のVLAは「考える部分」と「動く部分」を別モジュールとして扱うことが多かったが、G0.5は画像・言語指示・思考の過程・関節の動作指令を1本のトークン列として同時に生成する点が特徴だ。
ポイント
- 軽量な言語モデル「Qwen-2.5-2B」をベースに構築
- ロボットの腕や指など可動部位ごとに動作指令をまとめ、部位数に応じて出力を自動調整する「行動コーデック」を採用
- 実機ロボット(R1-Lite / R1-Pro)でのファインチューニング評価で平均成功率76.7%
- 標準ベンチマーク「LIBERO」では成功率98.9%を記録
フィジカルAIへの意義
「推論」と「行動」を切り離さず一つの流れで学習する設計は、ロボットが状況を見て考え、即座に体を動かすという人間的な反応に近づく試みだ。規模は異なるが、シミュレーションと実機の橋渡し(Sim-to-Real)を目指す技術という点では、本連載のMuJoCo/PyBullet実験とも地続きの取り組みといえる。
※ 本記事の情報は作成時点のものです。最新情報は各公式サイト等でご確認ください。