— データ収集戦略の分岐 —
GEN-0
Generalist AI
実世界データのみ
シミュレーション・合成データ・インターネット動画を一切使わない
270,000時間超 / 週10,000時間増加中
π0
Physical
Intelligence
実世界＋オープンデータセット混合
自社10,000時間 + Open X-Embodiment + DROID
合計9億300万タイムステップ
GR00T N1
NVIDIA
シミュレーション＋合成データ優先
少数デモから780,000本の軌跡を自動生成
言語プロンプトから動画→アクション抽出
R2R2R
ADAPT DESIGN
シミュレーション×実機ループでデータ生成
iPhone → Unity → 実機 → フィードバック → シミュレーション
個人が回せるループの確立が目標
GEN-0は「実世界の物理インタラクションデータのみが真の汎用知能を生む」という仮説に全賭けしている。NVIDIAは逆に「高品質な合成データで実世界データを代替できる」という仮説に賭けている。R2R2Rはその中間——小規模なループを個人が回せることを証明しようとしている。
— 制御アーキテクチャの比較 —
GEN-0：Harmonic Reasoning（単一連続ストリーム）
カメラ画像
→
GEN-0 10B+
→
100Hzアクション
知覚と行動が分離されず、単一ストリームで同時進行
GR00T N1：System 1/2分離（二重過程）
カメラ
→
VLM 10Hz
→
DiT 120Hz
→
アクション
遅い脳（意味理解）と速い脳（運動制御）を分離
π0：フローマッチング＋アクションチャンキング
カメラ
→
PaliGemma 3B
→
50アクション分
一括生成
→
50Hz実行
チャンク境界でのぎくしゃきが課題。オープンソース公開済み（openpi）
最大の
差異
GEN-0のみが「知覚と行動の同時実行」を主張。他は何らかの形で知覚と行動を分離・交互に処理している。「物理は止まらない」という制約への根本的なアプローチが異なる。
— 訓練データ規模の比較（推定）—
実線バー = 実世界データ、破線バー = 合成データ。GEN-0は規模で圧倒しているが、その主張（スケーリング則）は査読未済。NVIDIAの合成データは量より質の検証が鍵になる。R2R2Rのデータは規模ではなく「個人が生成できること」の証明に価値がある。
— R2R2Rから見た位置づけ —
問いの
共通点
「シミュレーション×実機ループでデータを生成して動きを最適化できるか？」
NVIDIAのGR00T戦略とR2R2Rは、この問いを共有している
手段の
差異
NVIDIA：Isaac Sim（高性能シミュレーター）＋クラスタ計算
R2R2R：iPhone 1台 ＋ Unity ＋ 実機アーム
証明
しようと
していること
Generalist AI：「実世界データさえあれば汎用知能ができる」
NVIDIA：「合成データで実世界を代替できる」
R2R2R：「個人がiPhoneとUnityだけでループを回せる」
競合
関係
競争ではない。土俵が違う。
R2R2Rのデータはいずれこれらシステムの訓練データになり得る。
— R2R2Rループ構造 —
iPhone
3Dスキャン
→
Unity
シミュレーション
→
実機
ロボットアーム
→
フィードバック
データ生成
→
シミュレーション
へ戻る
このループが高速に回れるほど、動作最適化データが蓄積される。精度よりループ速度が鍵。