AI研究機関は、不揃いなロボット訓練データの収集に対してXDOFに報酬を支払っている

2週間前、OpenAIは2021年に閉鎖したロボット工学プログラムを再開すると発表した。これは、主要なAI研究所が、機械に現実世界での動作方法を教えるために競い合っていることを示す最新の兆候だ。しかし、高性能なロボットを構築するには、AI業界が依然として欠いているもの、すなわち言語モデルが使用するものと同等のトレーニングデータが必要となる。

このギャップが、新たなタイプのインフラビジネスを後押ししている。公開されている膨大な量のテキストで学習されたLLM（大規模言語モデル）とは異なり、ロボットには物理的な相互作用を捉えたデータが必要だが、そのようなデータはほとんど存在しない。YouTubeの動画やギグワーカーが撮影した映像は解像度が低く、現実世界との整合をとるのが難しい。

本日ステルスモードを解除したXDOF（「エックス・ドフ」と発音）は、AIにおける次の大きなボトルネックはモデルやチップではなく、ロボットに物理世界との相互作用を教えるために必要なデータフィードバックループになると考えている。

同社は、最先端の研究機関やロボット企業が独自に開発することが容易ではないデータパイプライン、収集ツール、アノテーションシステムの構築を目指しており、その実現に向けてThrive Capital、Spark Capital、a16z、Lux、WndrCoから7,000万ドルの資金調達を行った。 共同創業者兼CEOのフィリップ・ウー氏によると、従業員約60名を擁するXDOFは、すでに数社の最先端AI研究所を含む20社の顧客と提携しているが、具体的な社名は明かせないという。

「トップクラスの研究所はすべて、ロボティクス分野への進出を目指しています」とウー氏は語った。「言語モデル競争でわずかに遅れをとったことによる弊害は、すでにいくつか目撃されています……この技術への取り組みが遅れすぎてしまい、物理AIが次のフロンティアとなる局面で、誰もが同じ船に乗っているような状況に陥ることは避けたいものです。」

ウー氏は、カリフォルニア大学バークレー校（UCバークレー）の博士課程在籍中に、この問題を身をもって体験した。彼の研究は、ロボットが大規模なデータセットからスキルを学習できるようにすることに焦点を当てていた。ただ、1つだけ問題があった。

「研究に使える大規模なデータがなかったのです」と彼はTechCrunchに語った。「いわゆる『鶏が先か卵が先か』という問題がありました。ロボット工学向けの基盤モデルをどのように訓練すべきかを検討する前に、まず実際にデータを収集する必要があったのです。」

ウー氏と、後にXDOFの共同創業者兼CTOとなるフレッド・シェントゥ氏は、「GELLO」と呼ばれるプロジェクトに取り組んだ。これは、人間のオペレーターがロボットアームを操作してトレーニングデータを生成できる、低コストの遠隔操作システムである。 「この研究は、ロボット工学分野で非常に影響力のある論文となった。多くの人が同様のニーズやボトルネックを抱えており、データ収集のためにこの種のデバイスを活用し始めたからだ」とウー氏は述べた。

この機会を見出したウー氏、シェントゥ氏、そして3人目の共同創業者兼最高執行責任者（COO）のネモ・ジン氏は、ロボティクスモデルを開発する企業向けにデータエコシステムを提供するため、2024年10月にXDOFを設立した。 データ提供だけではビジネスとして行き詰まる可能性があることを念頭に、同社はデータのクリーニング、ツール開発、アノテーションにも注力しており、ロボットトレーナーのための自己強化的なフィードバックループを構築している。

その第一歩として、同社はカリフォルニア大学バークレー校（UC Berkeley）のAI研究ラボと提携し、「ABC」と名付けられた、これまでに収集された中で最大規模となる高品質なロボットトレーニングデータセットを公開する。これには、13万件のロボット操作データ軌跡、300時間のシミュレーションデータ、および100時間の評価データが含まれている。 これほど大規模な事前学習データが学術界に提供されたことは、これまで一度もありませんでした。

「言語処理や画像生成、その他の分野では、モデルやデータが公開されると、コミュニティが予想もしなかったような成果を上げることを私たちは目にしてきました」と、今回の公開の企画に携わったバークレー校の博士課程学生、デビッド・マカリスター氏はTechCrunchに語った。

同チームはすでにこのデータを活用し、Tシャツの折りたたみや箱の平らな状態への整え、AirPodsをケースに収納するといったベンチマークタスクについて、ロボットの学習を行っています。

無制限の自由度

同社は、データピラミッドの3つの階層にわたって取り組む計画だ。最も価値の高い階層は、実際に導入されているロボットから収集された遠隔操作データである。次に、GELLOのように、より一般的なデータを収集する遠隔操作ロボットによるデータが続く。そして最後に、日常的なタスクを行う人間によって収集される「自己中心」データがあり、XDOFはこのために独自のウェアラブルセンサーを開発する予定だ。

「カメラの選択はデータの品質に影響を与え、それがハンドトラッキングアルゴリズムの性能にも影響を及ぼします」とウー氏は述べた。「最初からハードウェアを適切に設計しておかないと、収集したデータに予期せぬ特定の問題が生じる可能性があります」。

同社は、世界中で多数の遠隔操作員や自己中心型データ収集担当者を採用・育成する計画だ。これは労働集約的なモデルであり、ある明白な疑問を投げかける。なぜ主要な研究機関が、このデータ生成作業を自ら行わないのか？

「数十万平方フィートの倉庫と、数百台のロボットが必要になります」とウー氏は述べた。「これらのロボットのメンテナンスや物理的パラメータの調整、そしてオペレーターの適切なトレーニングも必要となります」

これは、集中力、資本、そして運用規模を要する事業展開であり、ほとんどのAI研究所はこれを外部委託することを好むだろう――まさにそこが、XDOFが狙っている市場なのだ。

XDOFという社名は、ロボット工学用語の「自由度（degrees of freedom）」に由来している。これは、ロボットが実行できる独立した動作の数を表す。人間の腕は、肩から手首にかけて7つの自由度を持つ。 ヒューマノイドロボット企業Figure.AIの最新ロボットは30の自由度を備えている。社名の「X」には同社の野心が込められている。「任意の自由度、無限の自由度」とウー氏は語る。