小米がロボット基盤モデルを公開。10万時間データで「スケーリング則」をロボティクスに持ち込んだ意味
ロボティクスの研究者やAI開発者が長年頭を抱えてきた問題がある。データが足りない、という問題だ。
大規模言語モデルはインターネット上のテキストを大量に食わせることで能力が爆発的に伸びた。画像認識モデルも同様だ。データ・パラメータ・計算量を増やすほど性能が上がる「スケーリング則」が経験的に確認され、それを信じてリソースを注ぎ込む競争が続いている。
ところがロボットは違った。現実世界でロボットに動作を教えようとすれば、実機を動かして、人が手を取って、失敗を繰り返してデータを集めるしかない。コストも時間もかかる。だからロボットのポリシーモデルは、LLMが歩んだスケーリングの恩恵をほとんど受けられないまま来た。
Xiaomi-Robotics-1は、その構造に正面から挑んだ。
ロボティクスにはずっと「データの壁」があった
小米（Xiaomi）のロボティクスチームが今回公開した技術報告の核心は、「身体なし事前学習（Embodiment-free pre-training、UMI）」というアプローチにある。
「身体なし」とは要するに、実際のロボットハードウェアに縛られないデータを使うということだ。人間が手でものを動かしている映像、工場や家庭での作業映像など、ロボット本体でなくても「物体の状態がどう変化したか」を記録したデータなら何でも使える。
これにより、データ収集のボトルネックが大きく変わる。実機を動かす必要がない分、データ量を一気に増やせる。
何をやったのか：2ステージ構成と数字の整理
Xiaomi-Robotics-1の学習は2段階で構成される。
第1段階：事前学習
使ったデータは10万時間のUMIトラジェクトリ。カバーするシナリオは1,700以上で、家庭・商業施設・工業サイト・屋外空間にまたがる。
これだけのデータに手動でラベルを付けることは不可能なので、VLM（Vision-Language Model）を活用した自動アノテーションパイプラインを構築した。長い動画を固定長のクリップに分割し、各クリップ内でグリッパーや対象物体の状態遷移を自然言語で記述する。こうして得た大規模コーパスを使い、「言語で記述された状態変化に向けて行動を生成する」能力を学習させた。
ここで論文が強調しているのが、事前学習中にクリーンなスケーリング挙動が観測されたという点だ。データ量とモデルサイズを増やすほど、検証セットでの行動誤差が単調に減少した。ロボティクスでこれが確認されたこと自体が、この研究の主要な主張のひとつになっている。
第2段階：ポストトレーニング
事前学習で得た汎用的な行動生成能力を、実際のロボット身体と自然言語指示への対応に「合わせ込む」段階だ。
使ったデータは、自社で収集した実ロボットデータ7,200時間以上（実際の家庭でのソファの整理、靴箱の整理、調理器具の片付けなど）、フィルタリング済みのオープンソースロボットデータ、高品質なUMIデータの3種を組み合わせたクロス身体データセット。
ポストトレーニング後も、事前学習時のスケーリング効果が実ロボットの成功率に直接反映されることが確認された。事前学習モデルが強いほど、ポストトレーニング後の実機成功率も高い。しかも、「スケーリングの伸びに飽和の兆候が見られない」と論文は述べている。
性能の数字をどう読むか
論文で示されている数字を2つのカテゴリに整理しておく。
新タスクへの適応効率
事前学習済みモデルを使うと、新しいタスクを少ないデータで習得できる。
- スマートフォンの梱包、プリンターへのインク補充、洗濯物の投入、箱詰め——4つのタスクでの評価
- タスクあたり平均10時間未満のデモデータで、全体成功率75%
- 比較対象のπ0.5は同条件で40%
- タスクあたり平均40時間未満に増やすと、Xiaomi-Robotics-1は**85%**まで向上（π0.5は53%）
個別タスクで見ると、例えばPrinter Refilling（プリンター補充）では10時間未満条件で70% vs 20%、Laundry Loading（洗濯物投入）では80% vs 40%と、差が大きいタスクもある。
シミュレーションベンチマーク
4つの主要ベンチマークすべてでSOTA（最高性能）を達成した。
| ベンチマーク | XR-1 | 2位 | 相対改善 |
|---|---|---|---|
| RoboCasa | 74.5% | 72.6% | +2.6% |
| RoboCasa365 | 57.4% | 46.6% | +23.2% |
| VLABench | 59.1% | 53.2% | +11.1% |
| RoboDojo | 13.93% | 8.80% | +58.3% |
RoboCasaの改善幅は小さいが、RoboDojo・VLABench・RoboCasa365での伸びは相当大きい。
ここからは見方の話：「スケーリング則の輸入」という構造変化
数字の整理はここまでにして、このニュースが業界的に何を意味するかを考えたい。
本質を一言でいえば、LLMで確立されたスケーリング則の方法論を、ロボティクスに輸入したことだ。
LLMの世界では「とにかく大量のデータとパラメータとGPUを投入すれば性能が上がる」という経験則が2020年代前半に確立し、それが開発競争の基本構造を変えた。「アーキテクチャの工夫」より「スケール」が効くとわかったから、大きなリソースを持つプレイヤーが圧倒的に有利になった。
ロボティクスでも同じ構造が成立するなら、競争のルールが変わる。アーキテクチャの巧みさや小規模な工夫で差別化してきた小規模プレイヤーにとっては、相対的に不利な状況が生まれる。一方で、大量のデータとコンピュートを持てる企業（小米のような大手）には有利に働く。
UMIデータという「実ロボットでなくてもいいデータ」を活用できると気づいたことも大きい。ロボットデータの収集コストは相変わらず高いが、UMIデータなら工場・家庭・商業施設の映像を活用できる。このデータソースをどれだけ確保できるかが、今後の競争軸のひとつになってくるだろう。
実務的に考えるべきこと：期待値と留保
ただし、ここは冷静に見ておきたい部分がある。
「未見環境での高成功率」の信頼性
論文では「未見の環境・未見のオブジェクトインスタンスで評価した」と書かれている。これは正しいアプローチだ。ただし、「未見」の範囲がどこまでか、評価タスクの難易度設定がどの程度か、は外から読み取りにくい。実ロボット評価での成功率が「どういう条件で達成されたのか」は、自社発表である以上、慎重に読む必要がある。
デモ映像と本番環境の距離
論文末尾には「荷物梱包のノーカット映像」が紹介されている。印象的なデモがあることは確かだ。一方で、製造ラインや実際の物流倉庫で毎日動かすとなると、照明・埃・ケーブルの引っ掛かり・予期しない人の動きなど、評価環境では現れない変数が山積する。ロボットの「デモと本番の差」は歴史的に大きく、それはこのモデルでも同様のはずだ。
「少量データで新タスクを習得」の実務コスト
「10時間未満のデモで75%」は確かに印象的な数字だ。ただし、デモデータを収集するには実機と人手が必要で、その10時間が実際の現場でどれだけのコストになるかは別の話になる。特に特殊な作業環境・特殊な対象物に対応させようとしたとき、「10時間」で済むかどうかは用途依存だ。
次に見るべき論点
このニュースを起点に、今後追うべき論点を整理しておく。
データ競争の激化
UMIデータが事前学習に使えるとなれば、誰がどれだけの映像データを確保できるかが競争の核心になる。小米は家庭用ロボット・スマートホーム事業を持っており、映像データへのアクセスには一定の構造的優位がある。ただし、プライバシー問題とのトレードオフは避けられない。
クロス身体汎化の限界
今回の「クロス身体データ」は、異なる形状・自由度のロボットアームで学習したデータを組み合わせている。この汎化がどこまで有効か——例えば全く異なる機構のロボット（脚型・ドローン型など）でも使えるのかは、まだ実証されていない。
「労働代替」より先に来る問題
ロボットの能力が上がると話題の焦点が労働代替に向かいがちだが、実務的に先に来る問題は別にある。誰がロボットに何をさせるかを設計するか、失敗時の責任はどこにあるか、そして人間とロボットが同じ空間で働く安全基準だ。性能が上がるほど、この設計コストが顕在化する。
まとめにかえて
Xiaomi-Robotics-1が示したことは、「ロボットもスケーリング則が効く」という実証だ。10万時間のデータ、1,700以上のシナリオ、2段階のトレーニング構成——これはロボティクスの研究者にとっては「そういう方向に行くかもしれない」と感じていた仮説が、一定の根拠を持った形で示された瞬間でもある。
LLMの世界でスケーリング競争が始まったとき、最初は「本当に大きくするだけで良くなるのか」という懐疑があった。その後の経緯は知っての通りだ。ロボティクスが同じ軌跡をたどるかどうかはわからない。だが、今回の結果は「たどりうる」という証拠を一枚加えた。
次に同種のニュースを見るとき確認すべきは、事前学習データの素性（UMIか実ロボットか）、スケーリングが飽和しているかどうか、評価環境の具体的な条件の3点だ。この軸で見ると、各社の主張の強さが比較しやすくなる。
参考元: Xiaomi-Robotics-1
