【geek-terminalニュース】Figure Indexの最新情報

以前お伝えしたGEN-1.5やGemini Robotics 2系のロボット基盤モデル競争の続報です。今回は、より地味で、しかしたぶん本丸に近い話です。Figure AIが公開したIndexは、新しいデモ映像用のバズ装置ではなく、ヒューマノイドに食わせる実世界の身体データを、一般ユーザーから継続的に集めるためのデータ収集基盤です。モデル名ではなく、誰がどれだけ現実の手元作業を持っているか。VLA、つまりVision-Language-Action系の次の詰まりどころが、コードや論文上の制御器から、人間の身体が作る長尾データへ移った感があります。

【事象の全貌と背景】
Figure AIは、ロボット訓練用の実世界データ収集基盤Indexをステルス状態から公開しました。公式発表転載として確認できる情報では、Indexは一般ユーザーが日常作業を録画し、報酬を得る仕組みです。4カ月のステルス運用で、264,000件超のアプリダウンロード、108カ国、44,000人超の週次アクティブユーザー、1,600万本超の動画アップロードに到達したとされています。さらに、動画投入量は毎秒30分、1日あたり人間作業4.9年分に相当し、Creatorへの累計支払いは1,500万ドル、今後12カ月でデータと計算資源に10億ドル超を投じる方針も示されています。

ここで重要なのは、Figureが“ロボットをもっと賢くしました”ではなく、“ロボットに食わせる現実を集める装置を作りました”と言っている点です。対象はベッドメイク、洗濯物たたみ、清掃、料理、棚補充、物流、レストラン、工場、オフィスなど。つまり、ロボットデモでよく見る単一の机上タスクではなく、家庭と商用現場に散らばる、照明も物体も手順も人によって違う泥臭い作業群です。

この動きは、北京で開かれたWorld Humanoid Robot Gamesの報道とも噛み合います。Ars Technicaは、走行、カンフー、ダンス、キックボクシング、サッカー、卓球などの競技が行われ、100メートル走や立ち高跳びで人間記録を超える場面があった一方、止まれず障壁にぶつかる、転倒して破損や発火に至る例もあったと報じています。派手な運動性能は伸びている。しかし商用能力を見るなら、洗濯、衣類たたみ、居間の片付け、ホテル客室への荷物運搬、ベッド清掃、備品補充、図書返却、消防・救助、豆つかみ、ネジ締め、釘打ちのような実用課題の方が重要だ、という整理です。

【技術的ディープダイブ】
Indexの技術的な肝は、単なる動画投稿アプリではなく、Helix向けのデータパイプラインとして設計されている点です。公式発表転載では、Figureは外部ベンダーからデータを買うだけではHelixに必要なスループット、多様性、品質基準を満たせなかったため、自社専用の収集網を作ったと説明しています。これはかなり示唆的です。ロボットAIに必要なのは、きれいに撮られた少数のデモではなく、現実世界の汚い分布そのものだからです。

Figureは、1,000時間あたり373種類のタスク、1,146種類の操作対象物、116種類の環境を含むと説明しています。この数字が面白いのは、タスク数だけを誇っていないところです。ロボットにとって厄介なのは、“コップを持つ”というラベルそのものではなく、コップが濡れている、半透明で見えにくい、机の端にある、隣にケーブルがある、人間の持ち方が毎回違う、という長尾です。Indexはそこを、個人ごとの環境、物体、癖、作業順序のばらつきとして吸い上げようとしている。

処理工程も、かなりデータ工場らしい構成です。フィルタリング、不正レビュー、重複排除、リバランス、階層的アノテーションの5段階が示されています。解像度、フレームレート、照明、タスク適合性を確認し、ユーザー単位で不正回避の試みを監査し、埋め込みベクトルで似すぎた動画を除外し、タスク割当とクラスタで偏りを補正し、受理されたエピソードには階層的なテキストキャプションを付ける。これは、LLM時代のウェブクロールとRLHF工場を、物理世界へ移植しているような話です。

VLAの観点では、ここが大きな転換点です。GEN-1.5のようなone-shotの物理プロンプト、あるいはGemini Robotics系のモデル能力は、少ない例から一般化する夢を見せました。しかし、汎用ヒューマノイドが家庭や倉庫で8時間働くには、“1回見ればできる”だけでは足りない。人間の一人称動画、スマートフォン、装着カメラ、作業エピソード、物体接触の前後関係、失敗しそうな配置、手順の微妙な分岐を、大量に持つ必要があります。ボトルネックは、ニューラルネットの形よりも、身体を持つ世界のデータ供給網に寄ってきています。

【コミュニティの生々しい熱量と議論】
注意点として、今回提供された検索結果2には、Reddit、HN、lobste.rsの実コメント本文は含まれていません。内容はコミュニティ発言ではなく、別会社のマーケティング記事だったと整理されています。そのため、実コメントの直接引用はできません。ここはファクトチェック上、無理に“現場の声”を捏造せず、検索結果1で確認されているReddit上の反応を伝聞として扱います。

Redditでは、1,600万動画という規模と、“日常作業を録画して報酬を得る”という参加型モデルに反応が集まっています。受け止め方としては、LLMがインターネット上のテキストを飲み込んで言語能力を獲得したのに対し、ロボットはいよいよ人間の家事、片付け、手元作業、身体スキルを大規模に吸収する段階に来た、という熱量があります。これはギーク的にはかなり刺さるポイントです。ウェブの次はキッチン、倉庫、洗濯機まわりが学習コーパスになる。

一方で、懐疑もかなり現実的です。投稿者の試算として、累計支払い1,500万ドルを1,600万本超の動画で割ると、動画1本あたりの支払いが1ドル未満に見える、という見方が出ています。もちろん動画長、審査落ち、ボーナス、国別単価、継続参加者の条件などが不明なので単純計算は危険ですが、“数ドル程度の報酬で、自宅作業を撮影してくれる人がどこまで集まるのか”という疑問は自然です。ロボットデータのクラウドソーシングは、スケールできるかもしれないが、同時にプライバシー、報酬設計、品質管理、不正投稿との戦いになります。

また、別のReddit文脈では、ロボットダンス映像が拡散し、ヒューマノイドの身体制御が一般ユーザーの関心を集めています。ただし、ダンスや競技会の映像は“すごそうに見える”一方で、それが汎用自律作業の証明になるわけではありません。Ars Technicaが指摘する通り、多くの競技では遠隔操作が認められており、自律動作には加点面の差があるものの、完全な汎用自律ロボットとは距離があります。この温度差こそ、今のロボティクスの面白さです。動画映えする身体能力と、地味な実用作業の間に、巨大なデータの谷がある。

【今後の展望とエコシステムへの影響】
今後オワコン化しそうなのは、“数本の綺麗なロボットデモだけで汎用性を語る”やり方です。競技会で走れる、踊れる、カンフーができる。それは重要ですが、商用化の本丸は、洗濯物を畳み、棚を補充し、ベッドを整え、物を壊さず、人間の生活空間で例外処理を続けることです。そこで勝つ企業は、最も派手な動画を出す会社ではなく、最も多様で、最も監査され、最も再利用しやすい身体データを持つ会社になる可能性があります。

MIT Technology Reviewは、中国でヒューマノイドが注目され、物理システムにAIを埋め込むembodied AIが国家戦略の一部になっていると報じています。これは、Figure Indexの話を単独企業の施策ではなく、国や産業単位のデータ収集競争として見るべきだということです。LLM競争ではウェブテキスト、コード、合成データ、推論計算が資源でした。ヒューマノイド競争では、それに加えて“人間が物理世界でどう手を動かすか”が資源になります。

FigureのIndexが本当に1,600万本規模からさらに伸びるなら、VLA開発の評価軸は変わります。モデルアーキテクチャの美しさだけでなく、収集パイプライン、参加者報酬、プライバシー処理、重複排除、失敗データの扱い、アノテーション品質、ロボット本体への転移性能がセットで問われる。AIロボットの勝負は、論文PDFの中から、世界中のキッチン、倉庫、ホテル客室、オフィスへ移動し始めています。今回のIndexは、その合図として見るべきニュースです。