VLAを「デモで動く」から「製造ラインで使える」レベルへ
アレン人工知能研究所(AI2)が主導する、世界的に権威ある身体性AI(Embodied AI)ゼロショット評価ベンチマーク「MolmoSpaces」の最新リーダーボードにおいて、魔法原子が開発した汎用ロボットマニピュレーション向けVLM Agentフレームワーク「EchoPolicy-0」が、ロボット操作の平均成功率75.4%を記録し、全4つのv1タスクをカバーした上で「MolmoSpaces Combined」ランキングで世界第1位を獲得しました。
また、同一ランキング・同一グループにおいて、魔法原子が独自開発した身体性AI Agentフレームワーク「MagicBrain」も、わずか3.4Bのパラメータ規模でありながら平均成功率72.4%を記録し、世界第4位にランクインしました。なかでも把持(ピッキング)の成功率は94.4%に達し、業界平均を大きく上回る数値を叩き出しています。
MolmoSpacesは、マニピュレーション、ナビゲーション、さらには長期間にわたる身体性タスクを対象とした、現在世界で最も信頼性の高い身体性AIゼロショット評価ベンチマークです。そのエコシステムには23万を超える屋内環境と約13万点のオブジェクトアセットが含まれており、評価に向けて極めて多様な環境バリエーションを提供しています。ロボットは固定されたデモ環境にとどまらない複雑な状況に対応し、多様な背景、幾何構造、物体の配置の中から対象物を探索し、現場の条件に合わせてタスクを完遂しなければなりません。
さらに、MolmoSpacesには移動可能な剛体だけでなく、関節を持つインタラクティブなオブジェクトも含まれています。ロボットは画像から対象物を高精度に認識するだけでなく、リアルな物理シミュレーション下での接触を通じて物体の状態を変化させる必要があり、極めて実践的な操作難易度が課されます。
このベンチマークでは、初期シーン、ロボットおよびカメラの構成、タスク指示、成功基準が明確に定義されています。詳細な評価チェックリスト、統一されたスコアリング体系、公開された評価結果によって、単発的なデモを定量的に比較可能なデータへと昇華させています。魔法原子のEchoPolicy-0とMagicBrainが参加した4つのタスクは、自由物体の把持、関節物体の操作、マルチステージの複雑なマニピュレーションに及び、単一の指標ではなく、身体性AI Agentフレームワークのシステムレベルの能力を多角的に検証するものです。
2026年以降、身体性AIは概念実証のデモから実際の製造ラインへの導入へと急速に舵を切っており、技術競争の主戦場はロボットの「頭脳」である身体性AI基盤モデルへとシフトしています。ロボットの運動制御能力が飛躍的に向上し、ハードウェアがより柔軟で高耐久になるにつれて、物理能力の拡張とともに大規模モデルの実利用も急速に進展しています。それに伴い、業界の研究の焦点は「ロボットにいかにより複雑なタスクを実行させるか」、そして「新しいタスクをいかに迅速に習得させるか」へと移行しています。MolmoSpacesの評価においても、モデルの汎化性能が極めて重視されています。
魔法原子の研究開発部門であるMagicLab Studioの責任者は、次のように語っています。「身体性ブレインの技術ロードマップにおいて、私たちは階層型アーキテクチャの有効性を強く認識しています。同時に、一般的なタスクにおいて現在モデルが直面している最大のボトルネックは『指示追従能力』にあることも突き止めました。EchoPolicyはAgentフレームワークと軌道スコアリング機構によって指示追従能力を担保し、MagicBrainはエンドツーエンドの視覚誘導アプローチによって指示追従の精度を最適化しています。その結果、両者ともに極めて優れた成果を収めることができました」
EchoPolicy-0:ロボットがタスク横断で思考・行動メカニズムを共有
ロボットがひとつのマニピュレーションタスクを完遂するには、言語による目標、視覚的な知覚、そして物理的な動作を途切れなく連携させ続ける必要があります。例えば、物体を把持した後は本当に安定して保持できているかを判断し、キャビネットの扉を開ける前には操作可能な取っ手の位置を特定しなければなりません。また、動作が期待通りにいかなかった場合は、現場からのフィードバックをもとに後続の計画を動的に修正する必要があります。
動作の形態こそ異なりますが、これらは本質的に、身体性ロボットがタスクをまたいで直面する共通の課題です。すなわち、「目標はどこにあるのか」「現在の状態はどうなっているか」「どの能力を呼び出すべきか」「動作は期待通りに完了したか」「失敗した際にどうリカバリするか」という問いです。
MagicLab Studioはこれらの課題に着目し、視覚言語モデル(VLM)、幾何学的マニピュレーションツール、汎用アクションポリシーを統合した単一のVLM Agentフレームワーク「EchoPolicy-0」を構築しました。「環境の観察 → 目標の理解 → 能力の選択 → アクションの実行 → 観測と検証」という一連のクローズドループを実現しています。異なるタスクであってもこの中枢メカニズムを共通で使い回し、具体的な接触や運動制御のみを下位のエグゼキュータに委ねます。
EchoPolicy-0のフレームワーク開発責任者は、「EchoPolicy-0の汎用性は、各種能力の統一的な呼び出し、組み合わせ、そして検証が可能な点にあります。現行バージョンでは、Frankaの単腕ロボットプラットフォーム上で4種類のマニピュレーション検証を成功させています」と述べています。
視覚-言語-行動(VLA)モデルの活用法において、MagicLab StudioはVLMの目標誘導に基づく「マルチ候補軌道選択メカニズム」を導入しました。まずアクションモデルが複数の移動軌道候補を生成して画像平面上に投影し、次いでVLMが指定したタスク目標に基づき最も合致する1本の軌道をフィルタリングし、実行後も継続的な検証を行います。これにより、上位の視覚理解が単なるタスク分解にとどまらず、下位の動作選択プロセスに実質的に介入できるようになりました。
EchoPolicy-0フレームワークは、MolmoSpacesの4つのマニピュレーションタスクにおいて計3,915エピソードの全量評価を実施し、4タスク等荷重平均で75.4%の成功率を記録しました。2026年10月13日時点で、MolmoSpaces Combinedランキングの世界第1位を維持しています。
MagicLab Studioは、MolmoSpacesにおけるEchoPolicy-0の成果を単一フレームワークのシステムレベルでの実証と捉え、エピソードごとの詳細な評価データを今後の技術反復に役立てています。EchoPolicy-0は汎用ロボット操作の実現に向けた現実的なアプローチを提示しています。すなわち、統一されたAgentフレームワークを介して多様な操作能力をオーケストレーションすることです。VLM Agentが意味論的な目標とタスク状態を把握し、幾何ツールが検証可能な空間インタラクションを提供し、汎用アクションポリシーが候補軌道を生成、VLMの目標誘導による軌道選択で動作の方向性を絞り込み、最後に継続的な検証ループで全体を統合します。
身体性AIモデルの現場実装において、EchoPolicy-0は「生成された動作の中から、モデルがいかにして正解を選び出すか」という核心的な課題を解決しました。モデルへの入力を変更するのではなく、出力された複数の候補の中から視覚目標に最も適合するものを抽出し、実行後も継続的に検証します。下流の顧客企業にとって、このアプローチの価値は単なる成功率の向上をはるかに超えています。新しいタスクを追加する際にもシステムをゼロから作り直す必要がなく、新機能を同一フレームワークにシームレスに組み込むだけで対応できるためです。
独自ブレイン「MagicBrain」:モデルに急所を見抜かせ、身体性マニピュレーションを「現場で使える」レベルへ
身体性AI Agentフレームワーク「MagicBrain」も同じく、魔法原子のMagicLab Studioによって開発されました。MolmoSpacesにおける「把持(Pick)」「把持と配置(Pick & Place)」「開く(Open)」「閉じる(Close)」の4つのタスクにおいて、MagicBrainは計3,915エピソードの全量評価を完了し、4つのv1タスクの平均成功率で世界第4位を記録しました。そのうち、「Pick-v1」と「Pick & Place-v1」の2タスクでは個別ランキングで世界第1位をダブル獲得し、把持タスクの成功率は94.4%に達しました。
視覚-言語-行動(VLA)は、現在の身体性AI領域における中核的なモデルアーキテクチャの1つですが、その「言語指示への追従能力」は業界共通のボトルネックとなっていました。「リンゴをカゴに入れて」といった指示を実行させるには、2つのハードルを越える必要があります。まず「リンゴ」という言葉の意味を理解すること、そしてピクセル単位でどの物体が「リンゴ」であるかを正確に特定することです。
MagicLab Studioの研究開発テストでは、把持に失敗したケースの大多数が動作実行の不安定さによるものではなく、「掴む対象を間違えた」あるいは「置く場所を間違えた」ことによるものであることが判明しました。換言すれば、VLAは動作レベルの学習においてはすでに比較的成熟しているものの、真の弱点は名詞句を特定の画像領域に正確に紐付ける点にあり、ここがトレーニングシグナルとして最も疎(スパース)な部分だったのです。「リンゴ」を掴もうとして隣の「ナシ」を誤って掴んでしまう場合、問題はマニピュレータにあるのではなく、視覚的な位置特定(グラウンディング)にあります。
実際、VLAは純粋な言語指示に従うよりも、視覚シグナルに追従する能力の方がはるかに優れています。つまり、「指示を聞く」よりも「画像を見て理解する」方が得意なのです。そこでMagicBrainは、「インコンテキスト視覚誘導(In-Context Visual Guidance)」という技術アプローチを採用しました。VLAには純粋にアクションの実行のみに専念させ、対象物を探すタスクは画像解析を得意とするVLM Agentに任せる構造です。
今後、この視覚誘導技術はヒューマン・ロボット・インタラクション(HRI)など、さらに多様なシーンへと拡張可能です。画面内でモデルに対して「注視すべき対象」を指定するアプローチは、決して把持タスクだけに限定されるものではありません。MagicBrainは、より高効率な分業モデルを提示しています。言語が「何をすべきか」を定義し、ピクセルが「どれが、どこにあるか」を明示し、2種類の情報をそれぞれの得意なモデルに処理させるのです。モデルアーキテクチャを根本から再構築したり、過剰にパラメータを肥大化させたりすることなく、情報の伝達経路を最適化するだけで大幅な効率向上を達成しました。
「私たちはVLAの言語理解をベースに、重要なターゲットを『見極め』『ロックオン』するよう誘導しました」とMagicLab Studioの責任者は述べています。パラメータの過度な増大によって性能を稼ぐ従来の手法から脱却し、今回評価に供されたモデルのパラメータ数はわずか3.4Bにとどまります。
これは、基礎的なデータエンジニアリング能力を持つチームであれば、過度なモデル規模の拡大競争に巻き込まれることなく、比較的低コストでこの手法を再現し、顕著な性能向上を得られることを意味します。身体性AIの大規模な実用化が進む中、「疎結合による組み合わせ」という分業アプローチは、「単一の万能型大規模モデル」よりも現実的な選択肢となり得ます。
産業実装の観点において、魔法原子のブレークスルーは「VLAは本当にコストに見合い、現場で使い物になるのか」という業界の懸念に対する明確な回答となりました。「把持」と「配置」は、身体性AIが産業ピッキング、倉庫物流、家庭内サービスなどの実環境に進出するにあたって最も頻繁に用いられる基本動作です。把持の成功率が従来の70%程度から94.4%へと跳ね上がったことは、VLAが「デモで動く」レベルから「製造ラインで使える」クリティカルな境界線を越えつつあることを示しています。業界全体にとっても、基礎的な成功率の向上は、商業化に向けた応用範囲を大きく押し広げる原動力となります。
魔法原子の「身体性ブレイン」設計思想
「MolmoSpacesのランキングで世界1位を獲得したことはもちろん喜ばしいことですが、私たちがより重視しているのは、そのランキングの根底にある本質的な問いです。すなわち、身体性ロボットの頭脳をどのように構築すべきか、そしてその限界はどこにあるのか、ということです」とMagicLab Studioの責任者は語ります。
魔法原子は、身体性AIは「階層型協調」のアプローチで進化していくべきだと確信しています。上位モデルがマクロな理解、タスクプランニング、自律的なエラー訂正を担い、下位モデルがタスクの意図を高精度な物理動作へと変換する役割を果たします。
上位モデルには、視覚理解、タスク分解、計画・意思決定、エラー修正、メモリ管理などの機能が求められます。現在の最先端の基盤モデルはすでに高い基礎能力を備えていますが、身体性環境特有の空間トポロジー、物理法則、継続的なインタラクションメカニズムへの深い適応が依然として必要です。同責任者は、短期的にはモデル実行のための基盤(Harness)の構築に注力し、コンテキスト管理、ツール呼び出し、実行フィードバック、評価メカニズムを密接に統合するとともに、フィードバック駆動型の反復最適化(RSIのアプローチを含む)を模索すべきだと考えています。一方、長期的には、実際の製造ラインのデータを活用した独自の事前学習および事後学習(Post-training)を進め、身体性環境におけるモデルのネイティブな理解・意思決定レベルを着実に引き上げていく必要があります。
また同責任者は、動作生成と下位制御を担うモデルとしてVLA、WAM、あるいはその他のハイブリッドアーキテクチャが選択肢になり得ると指摘します。アーキテクチャの選定は実際のビジネス目標に直結しているべきであり、指示への忠実度、動作精度、実行効率、そして汎化性能を重点的に評価する必要があります。
現在、階層型アーキテクチャは業界で広く合意を得ているものの、上位モデルのタスク意図を下位モデルにいかに正確に知覚させ、安定して実行させるかという点に依然として大きなボトルネックが存在します。
MagicLab Studioの実験では、既存のアクションモデルは分布外(OOD: Out-of-Distribution)の環境に直面した際、依然として対象の誤認識や空間制約の誤解を起こしやすいことが示されました。そこでチームは、相互に補完し合う2つのアプローチを検証しました。
第1のアプローチは、首位を獲得したEchoPolicy-0の手法です。Agentによるインテリジェントなオーケストレーション、候補軌道の選択、クローズドループ検証を通じて、下位の実行と上位の指示の高度な一致を担保します。上位モデルがタスクを具体的なサブゴールへと細分化し、システムが下位モデルの生成した複数の動作軌道候補を総合的に評価して、指示の意図と最も適合する軌道を抽出します。動作実行後は、新たな観測データに基づいて進捗を評価し、継続実行、再試行、再計画、あるいは安全なロールバックを自律的に判断し、必要に応じて幾何ツールを呼び出して操作を支援します。
このアプローチの最大の利点は、下位モデルを再学習させる必要がなく、オーケストレーション、フィルタリング、検証ロジックを最適化するだけで迅速に技術反復が可能となり、既存モデルの複雑タスク実行率を飛躍的に向上させられる点にあります。
第2のアプローチは、MagicBrainが採用した手法であり、明示的な視覚誘導とターゲットを絞った事後学習によって、動作生成フェーズにおける目標アライメント能力を強化します。
なかでも上位層と下位層の間の視覚誘導メカニズムは、エンジニアリングとして極めて有用な知見を提供しています。MagicBrainは、上位モデルが解析したインタラクション対象、配置エリア、短期的な運動軌道を、視覚的マーカーとして下位モデルの観測画像に直接注入します。これにより、抽象的なタスク意図と空間画像内の具体的なピクセル位置との間でエンドツーエンドのマッピングを構築します。この手法はVLAのネットワークアーキテクチャを変更する必要がなく、適切な事後学習を組み合わせるだけで、モデルが視覚マーカーと操作セマンティクス、ロボットの動作を自律的に結び付けられるようになり、自然言語指示のみに頼ることで生じる曖昧さを排除できます。
これら2つのアプローチは、それぞれ「動作生成」と「実行・選択・検証」という2大コアプロセスに作用しており、自然な相補関係にあります。視覚誘導が下位層における適合度の高い動作候補の生成を可能にし、Agentオーケストレーション機構が全体統括、高精度な最適選択、継続的検証、そして耐障害リカバリを担います。
EchoPolicy-0とMagicBrainが収めた優れた成果は、このデュアルトラックの有効性を力強く証明しています。
今後の展望について、魔法原子は次のように述べています。「次のフェーズでは、両者の技術的融合をさらに深化させ、タスク理解から物理実行に至るフルプロセスのフィードバックループを構築していきます。同時に、実際の産業製造ライン環境へと深く入り込み、タスク成功率、稼働安定性、総合導入コストを磨き上げ、これらに適したデータ・モデル基盤を整備していきます。実証済みの能力を再利用可能なスキルモジュール、標準インターフェース、業界ソリューションとして体系化し、成功事例、失敗時の条件、人的修正データを組織的に蓄積していくことで、『デプロイ → 収集 → 学習 → 評価 → 再デプロイ』という良質なフライホイールを確立し、エンジニアリングの知見を自律進化する基盤モデル能力へと昇華させるスピードを加速させていきます」