エグゼクティブサマリー

汎用ヒューマノイドロボットは、急速にサイエンスフィクションから商業現実へと移行しています。ハードウェアコストの低下、資本投資の急増、そして移動能力や器用さの進歩が、コンピューティングにおける次の主要なプラットフォームのシフトを促進しています。

計算機とハードウェアがますますコモディティ化されている一方で、ロボティクスエンジニアリングには低コストの追い風がもたらされていますが、この分野はまだトレーニングデータのボトルネックに制約されています。

Rebornは、分散型物理AI（DePAI）を活用して高忠実度の動きと合成データをクラウドソースし、ロボット基盤モデルを構築する数少ないプロジェクトの一つであり、人型デプロイメントを促進するために独自の位置づけを持っています。このプロジェクトは、UCバークレー、コーネル、ハーバード、アップルでの研究および教授のバックグラウンドを持つ非常に技術的な創業チームによって主導されており、学問的な卓越性と実世界のエンジニアリング実行を組み合わせています。

ヒューマノイド：フィクションから最前線へ

商業化されたロボティクスは新しい概念ではありません。多くの人が2002年に登場したiRobot Roomba掃除機や、最近の家庭用ロボティクスであるKasaのペットカメラなどの製品に馴染みがあります。どちらも単一目的で作られています。AIの助けを借りて、ロボットは単一目的の機械から多目的なものへと進化し、構造化されていない環境で操作できるように設計されています。

ヒューマノイドロボットは、今後5〜15年の間に、掃除や料理などの基本的な作業から、コンシェルジュ、消防、さらには外科手術にまで進化するでしょう。

最近の発展により、ヒューマノイドロボティクスはサイエンスフィクションから現実へと変わりつつあります。

• 市場拡大：100以上の企業がヒューマノイドを開発中（例：テスラ、ユニツリー、フィギュア、クローン、アジャイルなど）。
• ハードウェア技術は不気味の谷を越えた：新しいヒューマノイドは流れるような自然な動きを示し、現実の環境で人間のようなインタラクションを可能にしています。UnitreeのH1は平均的な人間よりも速く歩きます（3.3 m/s対1.4 m/s）。
• 労働コストの新しいパラダイム：ヒューマノイドロボットは2032年までにアメリカの賃金を下回ると予想されています。

ボトルネック：実世界のトレーニングデータ

ヒューマノイドロボティクスに対する明確な追い風があるにもかかわらず、大規模な展開はデータの質と不足によってボトルネックになっています。

他のAIの具現化、例えば自動運転は、既存の車両に搭載されたカメラやセンサーを通じてデータの問題を大きく克服しています。自動運転（例：テスラ、ウェイモ）の場合、これらのフリートは何十億マイルもの実際の運転データを生成することができます。ウェイモはこの段階で、助手席に人間の「ベビーシッター」を乗せてリアルタイムのトレーニングを行うために彼らの車を道路に出すことができました。

しかし、消費者は「ロボットベビーシッター」の存在を容認する可能性は低いです。ロボットはすぐに使える状態で高性能でなければならず、展開前のデータ取得が不可欠です。訓練は商業生産の前に完了しなければならず、データのスケールと品質は依然として問題です。

各トレーニングモダリティにはそれぞれのスケールの単位があります（つまり、LLM用のトークン、画像生成器用のビデオ-テキストペア、ロボティクス用のモーションエピソードなど）。以下の比較は、ロボティクスデータが直面しているデータの可用性におけるオーダーの差を強調しています。

• GPT-4は15兆以上のテキストトークンで訓練されました
• Midjourney/Soraは数十億のラベル付きビデオ-テキストペアを活用しています
• 対照的に、最大のロボティクスデータセットには約240万エピソードしか含まれていません

この格差は、ロボティクスがLLMと同じように真の基盤モデルをまだ達成していない理由を示しています。データがまだ存在しないのです。

従来のデータ収集方法は、ヒューマノイドロボティクストレーニングデータにはスケールしません。現在の方法には以下が含まれます：

• シミュレーション：安価だが、実世界のエッジケースが不足している（Sim2Realギャップ）
• インターネットビデオ：ロボット学習に必要な固有受容感覚または力フィードバックのコンテキストを含んでいません
• 実世界のデータ：正確ですが、遠隔操作と人間の介入が必要であり、コストがかかります（ロボット1台あたり$40K以上）かつスケーラビリティに欠けます。

仮想環境でのトレーニングは費用対効果が高く、スケーラブルですが、モデルは実世界で展開されるとしばしば苦労します。この問題はSim2Realギャップとして知られています。

例えば、シミュレーションで訓練されたロボットは、完璧な照明と平坦な表面で物を拾うのに成功するかもしれませんが、雑然とした環境や不均一なテクスチャ、または人間が物理世界で慣れ親しんでいる不完全な状況に直面したときには失敗する可能性があります。

Rebornは、現実世界のデータを安価かつ迅速にクラウドソーシングする方法を提供し、堅牢なロボティクストレーニングを可能にし、Sim2Realギャップを解決します。

Reborn: 分散型物理AIのフルスタックビジョン

Rebornは、物理的AIのための垂直統合型ソフトウェアおよびデータプラットフォームを構築しています。その中心には、ヒューマノイドロボティクスのデータボトルネックを解決することがありますが、その野望はそれにとどまりません。独自のハードウェア、マルチモーダルシミュレーションインフラストラクチャ、および基盤モデルの開発を組み合わせることで、Rebornは具現化された知能のフルスタックエネーブラーとなります。

リボーンスタックは、次のように始まります。 “ReboCap”, 独自のコンシューマー向けモーションキャプチャデバイスです。これは、ユーザーがネットワークインセンティブと引き換えに高精度のモーションデータを生成する急成長中のAR/VRゲームエコシステムを支えています。Rebornは5,000台以上のReboCapユニットを販売しており、現在は月間アクティブユーザー（MAU）が160,000人をサポートしており、年末までに200万人に到達する明確な道筋があります。

Rebornは、代替手段よりもはるかに優れたコストでデータキャプチャを可能にします。

印象的なことに、この成長はオーガニックなものである：ユーザーはゲーム自体のエンターテインメント価値に惹かれ、ライブストリーマーはリアルタイムのボディトラッキングでデジタルアバターをアニメーションさせるためにReboCapを採用している。このオーガニックなエンゲージメントループは、スケーラブルで低コスト、高忠実度のデータ生成を可能にし、Rebornのデータセットを主要なロボティクス企業にとって価値のあるトレーニングリソースにしている。

Rebornのソフトウェアスタックの第2層はロボバース, 断片的なシミュレーション環境を統一するマルチモーダルデータプラットフォームです。今日のシミュレーションの状況は非常に断片化されており、たとえばMujocoやNVIDIA Isaac Labのようなツールはそれぞれ異なる強みを持っていますが、相互運用性に欠けています。このバルカン化は進展を遅らせ、Sim2Realギャップを悪化させます。Roboverseは、シミュレーター間で標準化を行うことでこれに対処し、ロボティクスモデルの開発と評価のための共有仮想インフラストラクチャを作成します。この統合により、一貫したベンチマーキングが可能になり、スケーラビリティと一般化能力が向上します。

ReboCapとRoboverseは、Rebornのフルスタックプラットフォームの基盤を形成しています。前者はスケールでリアルワールドデータをキャプチャし、後者はモデルトレーニングのためのシミュレーション環境をオーケストレーションします。この統合アプローチは、RebornのDePAIネットワークの真の力を示しています。これは、単なるデータ取得を超えて、実際のモデル展開とライセンス供与にまで広がるPhysical AIのための開発者プラットフォームを構築しています。

再生された基盤モデル

Rebornのソフトウェアスタックの最も重要なコンポーネントは、Reborn基盤モデル（RFM）です。Rebornは、新興の物理AIスタックのためのコアインフラストラクチャとして機能するように設計された、最初のロボティクス基盤モデルの1つを構築しています。OpenAIのo4やMetaのLlamaなど、LLMのための従来の基盤モデルをロボットのために考えてみてください。

再生されたテックスタック

Rebornのスタックの3つの主要要素（ReboCap、Roboverse、RFM）の組み合わせは、Rebornに強力な垂直統合の堀を作り出します。クラウドソーシングされた動作データと堅牢なシミュレーションおよびモデルライセンスを組み合わせることで、Rebornはユースケース全体に一般化するために必要なスケールと多様性を持ったモデルを訓練することができます。その結果、産業用、消費者用、研究用ロボティクスなど、幅広いユースケースにおける下流アプリケーションをサポートする基盤モデルが得られます。

Rebornは、GalbotやNoematrixとの有料パイロットを開始し、Unitree、Booster Robotics、Swiss Mile、Agile Robotsとの戦略的パートナーシップを確立することで、その技術を積極的に商業化しています。中国のヒューマノイドロボット市場は急速に成長しており、世界市場の約32.7％を占めています。特に、Unitreeは世界の四足ロボット市場の60％以上を占めており、2025年に1,000台以上を生産する計画を立てている6社の中国のヒューマノイドロボットメーカーの中に含まれています。

暗号資産の物理AIスタックにおける役割

暗号資産は物理的AIの完全な垂直スタックを可能にしています。

Rebornは先駆的な具現化されたAI暗号資産プロジェクトです。

これらのプロジェクトは物理的なAIスタックの異なる部分に存在しますが、共通点があります。それは、彼らの100%がDePAIプロジェクトであるということです！DePAIは、スタック全体でのトークンインセンティブを通じて、オープンで構成可能かつ許可なしにスケーリングを実現することで、分散型物理AIを可能にします。

Rebornがまだトークンをローンチしていないという事実は、そのオーガニックな成長をさらに印象的にします。トークンインセンティブが発動すると、ネットワーク参加はDePAIフライホイールの一部として加速することが期待されています：Rebornはハードウェア（ReboCap）を取得するためのインセンティブを発行し、ロボティクス企業はその貢献に対してReboCapの所有者に支払います。これにより、より多くの人々がReboCapを購入し、使用することが奨励されます。Rebornはまた、高価値のエッジケース行動を動的にインセンティブ化し、Sim2Realギャップのカバレッジをさらに向上させます。

RebornのDePAIフライホイールが稼働中

すべてはデータに関することです

ロボティクスの「ChatGPT」モーメントは、ロボティクス企業自身からは来ないでしょう。なぜなら、ハードウェアはソフトウェアよりも導入がはるかに難しいからです。ロボティクスにおけるウイルス性は、コスト、ハードウェアの可用性、そして物流の複雑さによって本質的に制約されます。これらの要因は、ChatGPTのような純粋なデジタルソフトウェアには存在しません。

ヒューマノイドロボティクスの転換点は、プロトタイプが印象的な時ではなく、コストが十分に下がって大量採用が可能になった時に訪れる — スマートフォンやPCのように。コストが下がると、ハードウェアは必須の要素となる。真の競争力はデータとモデルにある。具体的には、これらの機械を訓練するために使用される運動知能の規模、質、そして多様性にある。

結論

ロボティクスプラットフォームのシフトは避けられないが、すべてのプラットフォームと同様に、スケールするためにはデータが必要である。Rebornは、暗号資産がAIロボティクススタックの最も深刻なギャップを埋めることができるという高いレバレッジの賭けである。ロボティクスデータのためのDePAIは、コスト効率が良く、スケーラブルで、構成可能である。ロボティクスがAIの次のフロンティアである世界において、Rebornは日常の人間を「動作データのマイナー」に変えることに相当する。LLMがテキストトークンを必要とするように、ヒューマノイドロボットは動作エピソードを必要とする。Rebornは、ヒューマノイドロボティクスをSFから現実に変えるための最後のボトルネックの一つを解放する方法である。

免責事項：

1. この記事は[から転載されていますhypersphere_]. すべての著作権は原著作者に帰属します [ハイパースフィア_]. この再印刷に異議がある場合は、次にご連絡ください。ゲートラーニングチームが迅速に対応します。
2. 免責事項：この記事に表現されている見解および意見は著者自身のものであり、いかなる投資アドバイスを構成するものではありません。
3. 記事の他の言語への翻訳は、Gate Learnチームによって行われます。特に記載されていない限り、翻訳された記事をコピー、配布、または盗用することは禁止されています。