ロボット基盤モデルがシミュレーションでは高性能なのに、カメラの位置や照明が変わった途端に失敗する原因、実は「見た目のズル」だったかもしれません。 タイトル: Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models URL: 📝 概要 訓練分布内でたまたま行動と相関しているだけの無関係な視覚手がかりに頼ってしまう「視覚-行動ショートカット」を断ち切る学習手法「Latent Interface Training（LIT）」を提案しています。 ❗ 解決する課題 ロボット基盤モデルは分布内では強いのに、視覚的な分布シフト（カメラ視点・照明・センサノイズなど）が起きると性能が大きく落ち込む問題がありました。 ⚙️ 方法論 まず画像を使わずポーズ目標だけで行動部分を事前学習し、次に100個の潜在トークンを介して視覚情報を必ず経由させ、ポーズ再構成損失で監督する2段階構成になっています。 🤖 ユースケース π0.5・MolmoAct2・FAST-WAM・ImageWAMという4種類の異なるロボット基盤モデルすべてに適用でき、フレームワークを選ばない汎用的な手法です。 📊 実験結果 LIBERO-Plusの分布外評価で全モデルが3.87〜10.70ポイント改善。実世界のロボット操作でも照明変化時に+16.7ポイント、特定タスクでは+60ポイントという大きな改善を達成しています。 見た目に頼らず本質的な空間情報で判断させる発想が、実運用ロボットの信頼性向上に直結しそうです。 #ロボティクス# #VLA#

🤖 ロボットが「行動する」だけでなく「考えて」「未来を予測してから動く」ようになったら何が変わるでしょうか。37,000時間超のデータで訓練された体現型基盤モデルの発表です。 タイトル: GigaBrain-0.7: Scaling Embodied Foundation Models to Emergent Capabilities with a Three-System Architecture URL: GigaBrain-0.7は、理解・予測・行動を明確に分離しつつ統合する三システムアーキテクチャを提案しています。注目ポイントは次の3つです。 🧠 System 2: 理解と計画 PaliGemma2(3B)をベースに、現在の視覚シーンと長期指示を解釈し、chain-of-thought推論で「ハンガーに掛ける」を「まず赤い帽子を拾う」のように部分タスクへ分解します。 🔮 System 3: 予測と評価 GigaWorld-1ベース(5B)で将来の視覚状態を動画として予測し、最終フレームを「サブゴール画像」として抽出。同時にタスク進捗をスコア化し、行動を導く評価信号として活用します。 🦾 System 1: 行動と制御 Mixture-of-Transformers構成で連続行動チャンクを生成。16種類のロボット形態に対応する統一embodiment表現により、マルチロボットでの汎用性を実現しています。 大規模な事前学習を進めるほど検証損失が一貫して下がり、創発的な体現能力の兆しが見えてきた点が印象的です。 #ロボティクス# #身体性AI#

感染症の流行を数分で予測できたら、人道支援の現場はどれほど変わるか。 タイトル: Planetary prediction engine: Automating global models via Earth AI URL: Googleが発表したPlanetary Prediction Engine（PPE）は、自然言語クエリから地球規模の予測モデルを自動構築するシステムです。公衆衛生・食料安全保障・感染症などの課題に対し、従来は専門エンジニアが数週間かけていたデータキュレーション〜モデル構築を数分で完結させます。 注目ポイント 🌍 3段階の自動パイプライン——データ選択からモデルまで 自然言語クエリを地理的制約に変換してData Commons・Google Earth Engineから共変量を取得（ステージ1）、Population Dynamics Foundation ModelsとAlphaEarthの埋め込みと融合（ステージ2）、正則化線形・勾配ブースティング・MLPを横断的に探索（ステージ3）。各ステージに「Feature Gate（リーケージ防止）」と「Overfitting Guard Protocol（過学習防止）」が組み込まれています。 🔬 マルチモーダル融合が全実験で単独モデルを上回る 構造化された統計的共変量と基盤モデルの潜在表現を組み合わせることで、どちらか単独では捉えきれない情報を統合します。この融合効果はすべての実験で確認されており、地理空間予測における新たなアーキテクチャの優位性を示しています。 📊 3つのドメインで実証された精度向上 ・米国CDC健康指標21種: R² 76.8% vs ベースライン60.0% ・ナイジェリア食料安全保障: R² 66.1% vs ベースライン31.5%（精度2倍超） ・コンゴ民主共和国エボラ予測: Recall@10 83.3%（Bayesianベースライン比+10.3pp） 専門的なエンジニアリングチームを持たない人道支援組織や研究者が、緊急時に数分で意思決定の根拠を得られる——この「民主化」こそがPPEの最大のインパクトです。 #地球科学AI# #公衆衛生#

🤖 知覚も、計画も、実行も、失敗からの立て直しも、全部ひとつのモデルで。たった8BでGPT-5.4を超えるロボット基盤モデルが登場しました。 タイトル: Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models URL: 📝 概要 Embodied-R1.5は、身体的認知・タスク計画・誤り修正・pointingを単一アーキテクチャに統合したEmbodied Foundation Model（EFM）です。タスクごとに専用モデルを作る従来路線から脱却し、汎用的な物理知能を目指します。 🧩 解決する課題 ロボットAIには知覚・推論・計画・実世界での実行が必要ですが、これまでは個別タスクごとに別モデルを用意するのが普通でした。本研究はそれらを1つに束ね、長い時間軸のタスクを自律的にこなすことを狙います。 🛠 方法論・提案手法 ・15B超トークンを自動生成するデータ構築パイプライン ・異種タスクの衝突を抑えるマルチタスク・バランス型の強化学習レシピ ・Planner→Grounder→Correctorのクローズドループ（PGC）で自律実行と自己修正を実現 📊 実験結果 ・8Bパラメータで24の身体ベンチマーク中16でSOTA、Gemini-Robotics-ER-1.5やGPT-5.4を上回る ・4つの操作スイートでπ0.5を上回る ・実ロボットでも強い汎化を確認 🎯 ユースケース 重み・データ・学習コードに加え、評価フレームワークEmbodiedEvalKitもオープンソース化。ロボット操作や長時間タスクの自律実行・自己修正の研究基盤として使えそうです。 #EmbodiedAI# #Robotics#

「AI時代に生き残る3種類のソフトウェア企業」 1. なぜレガシーSaaSは解体（アンバンドル）されるのか？ 従来のSaaSの正体は「データベース ＋ UI（画面） ＋ 権限管理」に過ぎません。 * 「画面」のためのツールからの脱却: これまでのSaaSは、人間がデータを閲覧し、フォームに入力するために「リッチなUI」を提供してきました。しかし、AIエージェントがAPIを直接叩き、APIがないレガシーなサイトでもブラウザを自律操作（ブラウザ・オートメーション）できるようになると、人間向けにデザインされた複雑な画面は不要になります。 * インテグレーションの消滅: ナレッジワーカーの一日の大半は、Salesforce、Jira、Zendesk、HubSpotなどの間を行き来し、データを手動で移し替える作業に消えています。AIエージェントがバックグラウンドで24時間稼働し、これらのプロセスを自動でループ処理するようになれば、既存のUIベースのSaaSは「単なるデータベース（データの置き場）」へと退化します。 2. 生き残る「3種類のソフトウェア企業」 このAI移行期を生き残れるソフトウェア企業は以下の3カテゴリーのみであると断言しています。 1. Foundation Models OpenAIやAnthropicなど。ただし、モデル間の性能差は縮まり、過酷な価格破壊とコモディティ化が進む「薄利多売のインフラ」になる。 2. Systems of Record Salesforce、Workday、Veevaなど、業界の「マスターデータ」を物理的に保持している企業。ただし、彼らも「UI」としての価値は失い、AIエージェントからAPI経由でアクセスされるだけの存在になる。 3. Horizontal Agent Platform / Agent OS（実行・統合レイヤー） ユーザーと接する「唯一のフロントエンド」であり、背後であらゆるモデルやツール、API、コード実行環境をオーケストレートする新時代のオペレーティングシステム。