工場から家庭まで、一気通貫で対応
允中 凹非寺より
長らく、ロボットシステムの多くは専用モデルに依存してきた。
対象物や環境、制御方式が変わるたびに、データの収集、モデルの学習、デプロイと調整をやり直さなければならないケースが多かった。
現在、具身知能は、大規模な実用化を軸とする後半戦へと bướcを進めつつある。競われているのは、もはや単一のタスクを完遂できるかどうかではない。同じ知能システムが、環境・ロボット本体・タスクの境界を越え、能力を移転し再利用できるかどうかである。
このほど、它石智航の汎用具身大規模モデル AWE 3.7（AI World Engine）は、10日間で一連のタスクを立て続けに公開した。同じ「具身の頭脳」によって、工業生産ライン、物流作業、生活サービス、移動操作など多様なシーンを貫き、具身知能がいかに「汎用的な汎化」を実現するのかという業界の課題に、実際のタスクで答えを示した。
工業生産ライン：精度・力加減・安定性への三重の試練
工業現場は、具身知能を検証する厳しい基準となる。ミリ単位の位置合わせ、リアルタイムの力制御、長時間にわたる安定性のすべてが欠かせない。
它石 AWE 3.7 は、同一の基盤モデル上で、きめ細かな操作を生産ライン水準まで高めた。
部品の仕分け作業では、ランダムに散らばったねじやナットを前に、ロボットはわずかな違いを見分け、小さな部品をつかんで、それぞれ対応する金属箱へ投入する。操作中に妨害を受けても、システムは自律的に誤りを修正し、その後の仕分けを完了できる。
テープ巻きは、精密な制御能力が特に問われる作業であると同時に、柔軟な素材を扱う能力も試される。ワイヤーハーネスは柔らかく変形しやすいため、テープを均一かつ安定して巻くには、ロボットによる両手の協調が必要となる。
左手でワイヤーハーネスを固定し、右手でテープを持って所定の軌道に沿って巻き続ける。テープの張力や目標位置にずれが生じた場合、システムは動作軌道をリアルタイムに補正し、テープを密着させながら、途中で切れることなく巻き付ける。
LANケーブルの接続は、わずかな誤差が勝負を分ける作業だ。ロボットは両手を協調させてRJ45コネクターをポートへ導き、接触状態を理解・予測しながら、把持角度をリアルタイムに調整する。さらに手首の多自由度を生かして柔軟に反転させ、正確に挿入する。ミリ単位の接続を実現し、全工程で外乱にも対応する。
スマートフォンの箱詰めは、典型的な長時間の連続操作タスクである。ロボットはまずスマートフォンをパッケージに収め、その後、ミリ単位の位置合わせによって蓋をはめ込み、調整する。照明の変化などの妨害があっても、一連の包装作業を一度で完了できる。
ねじ締めで最も求められるのは、ロボットの「手の感覚」だ。接触、抵抗、構造の状態を連続的に判断する必要がある。
ロボットはまず、ドライバーとねじの空間的な位置関係を特定し、下降させて正確に中心へ合わせる。続いて、トルクのフィードバックに応じて動作をリアルタイムに調整し、締め付け状態に達した時点で速やかに停止する。正確に合わせ、安定して締め、適切なタイミングで止めることができる。
動的作業：変化する環境に、ロボットも追随する
現実の作業は、多くの場合、流動的な環境で行われる。コンベヤー上の物品は次々と流れていき、収納ボックスはいつ移動するか分からず、ロボット自身も空間内を移動しながら作業しなければならない。
一連の変化の中で、認識・把持・搬送・配置を完了するには、ロボットによる動的な知覚と操作の一貫した連携が不可欠となる。
コンベヤー上を絶えず移動する柔らかいぬいぐるみに対し、ロボットは把持した後も継続的に観察し、袋詰めのタイミングを判断する。
コンベヤーのリズムに追従しながら、両手を同期させてぬいぐるみを正確に袋へ入れ、動的な作業のタイミングにリアルタイムで適応する。
積み木の仕分けは一見簡単そうだが、実際には多くの工夫が求められる。
色ごとの積み木を対応する箱に入れるには、「色と対象ボックス」のルール関係を理解しなければならない。しかも、環境は常に変化する。積み木が誤った箱に入っていれば、ロボットは異常を検知して取り出し、正しい位置へ戻す。収納ボックスが移動した場合も、リアルタイムに追跡して軌道を動的に調整し、正確にタスクを完了できる。
タスクがより広い空間へ拡張されると、ロボットの下肢と上肢を連携させなければならない。AWE 3.7を基盤として、ロボットはオフィス環境内を自律的に移動し、目標地点に到着すると物品を持ち上げ、投下地点の上方まで運んで配置できる。
移動と操作は高度に一体化され、操作中の上肢と下肢が深く協調する。モデルはエンドツーエンドで一気に処理し、全工程で人の介入を必要としない。
家庭・生活サービス：身近な環境ほど、移行が難しい現場
構造化の度合いが比較的高い工業環境に比べ、家庭環境では物体の形状が多様で、工程が長く、制約も少ない。そのため、汎用的な能力移行を検証する格好の試金石となる。
衣類の片付けでは、「全身の力」が必要となる。衣類は低い位置にあるため、ロボットはその形状を認識し、腰をかがめて拾い上げ、収納かごへ入れなければならない。
前かがみになる動作と起き上がる動作を切り替える際には、重心が常に変化する。それでも動作の安定性を保つことで、業界でも非常にまれな loco-manipulation（移動操作協調）による全身制御能力を示している。
ホワイトボードの清掃は、最も「手さばき」が問われる操作の一つだ。ロボットはホワイトボード消しを持ち、任意の文字をやさしく消去する。左右どちらの手でも実行でき、作業中に持ち替えることも可能だ。さらに、タスクの状態をリアルタイムに把握し、妨害を受けても作業を継続して最後まで完遂する。力加減も絶妙で、文字をきれいに消しながらホワイトボードの安定性も保つ。
通学かばんの整理は一見ありふれた作業に見えるが、複雑な長時間タスクへの対応力が試される。机の上に散らばったペン、消しゴム、筆箱は形状がそれぞれ異なる。ロボットはまず認識して分類し、適切な収納順序を計画する。その後、一つずつ把持して整理し、かばんへ収めていく。全工程を秩序立てて進めることができる。
朝食の準備は、キャビネットを自律的に開け、食器やボウルなどを取り出すところから始まる。ロボットは食器と食品を順番にトレーへ並べる。複数の物体・カテゴリーの理解と空間記憶が全工程を通じて機能し、外乱への対応力とタスクの復旧能力も同時に発揮される。
スムージー作りでは、柔軟な物体を扱う能力に、さらに高い水準が求められる。
ロボットは柔らかなプラスチックカップをつかみ、製氷口に合わせ、片手で装置を押して氷を出す。その間も氷が出る状況とカップ内の量を継続的に観察し、満杯に近づくと適切なタイミングで停止する。その後、カップを運んで届ける。全工程を連続的かつ自律的に実行でき、人による介入は必要ない。
これらすべてを支えているのが、它石の汎用具身大規模モデル AWE による「ネイティブアーキテクチャ—二つの先験知識による事前学習—世界モデル駆動の追加学習—大規模検証—データへのフィードバック」という方法論の循環である。
100万時間を超える human-centric な実データと、豊富な視覚・触覚情報を基盤に、AWE 3.7モデルは、ロボットが現実環境を理解し、正確に触れ、安定して作業できる能力を実現する。「信頼できる Physical AI」の基盤を強固に支えるものだ。
現在、この「汎用の頭脳」がもたらす複利効果は、すでに現れ始めている。
2026年3月、AWEモデルを搭載した它石 A1ロボットは、「1時間以内にアセンブリできるサブミリメートル精度のワイヤーハーネスの最多回数」でギネス世界記録を獲得した。
同年のWAICでは、AWE汎用具身大規模モデルがSAIL星賞を受賞し、この賞を獲得した唯一の具身基盤モデルとなった。
産業面では、この「頭脳」はすでに実際の生産ラインに導入され、継続的に稼働している。自動車用ワイヤーハーネスの精密組み立てや協調検査などの工業シーンで大規模な実用化を実現し、製造業のインテリジェント化を推進する、再現性と拡張性を備えた具身知能ソリューションを提供している。
△它石ロボットの集団が生産ラインに導入された様子がニュース番組『新聞聯播』で報じられる
具身知能をめぐる競争は、単一タスクの比較から、基盤能力の再利用へと移りつつある。
AWE 3.7は、汎用的な実用化がもはや遠い将来のビジョンではなく、データ、成果、産業シーンによって十分に検証されたエンジニアリングの道筋であることを示し始めている。