実機データの圧倒的不足

実機データの圧倒的不足は、データが足りないという量の問題にとどまらず、物理世界の動作データを誰もが安く集められる手段がないという、データ収集の民主化が起きていない構造の問題である。

30秒要約

• 言語・画像はインターネット上に大量に存在するが、ロボットの動作データは現実の試行でしか得られず、量が桁違いに少ない。
• 1回の動作収集に実機・場所・人手・時間がかかり、収集コストの高さがデータ量のボトルネックになっている。
• 最初の一歩は、iPhoneやシミュレーション、安価アーム、共有データセットなど「誰もが安くデータを生める手段」を広げ、収集の裾野を増やすこと。

実装判断サマリー

項目	内容
いま何が問題か	動作データの収集コストが高く、量が桁違いに不足している
なぜ今か	学習ベース制御（VLA・模倣学習）が伸びる今、データ量が性能の律速になっている
最大の制約	現実の試行でしか得られない収集コストの高さ
主なレバー	安価な収集手段（iPhone・安価アーム・シミュレーション）、共有データセット
最重要KPI	単位コストあたりに集められる有効な動作データ量
争点	データを誰が集め、誰が持つか（大手集中か、分散・共有か）

課題の定義（扱う／扱わない）

• 扱う：ロボットの動作データが、収集コストの高さゆえに圧倒的に不足している問題。および、誰もが安く集められる手段の不在。
• 扱わない：集めたデータの品質基準・アノテーション（これは模倣学習のデータ品質で扱う）。本カードは「量と収集コスト」に絞る。
• 似て非なる：基盤モデルの寡占（別カード）はモデル開発の集中の問題、本カードはその手前の「学習素材となるデータの量と収集手段」の問題。

何が起きているか（データ）

• 大規模言語モデルや画像モデルは、インターネット上の膨大なテキスト・画像で学習できるが、ロボットの動作データはそうした既存の蓄積がほとんどない。
• 動作データは現実の試行（テレオペ・実機操作）でしか得られず、1回の収集に実機・場所・人手・時間がかかる。これがデータ量のボトルネックになっている。
• これを補うため、シミュレーションで大量に動作を生成する手法、複数組織でデータを持ち寄る共有データセット（Open X-Embodimentのような取り組み）、安価アームでの収集が進んでいる（具体的なデータ規模は※要出典確認）。
• iPhoneのスキャンやセンシングを入口に、専用設備なしで動作・環境データを取り込む試みも現れている（本サイトを運営するPixels to Motorsの実践もこの系譜）。

なぜ先送りされてきたか

• 言語・画像で先に成果が出たため、データが集まりやすい領域に研究・投資が集中した。
• 動作データの収集は実機と現場が要り、参入の敷居が高かった。
• データ形式が標準化されておらず、集めても共有・再利用しにくかった（動作のポータビリティ不在参照）。
• 「データは大手が大量に持つもの」という前提が強く、分散収集の発想が育ちにくかった。

原因構造

• 技術側：動作データは現実の試行に依存し、 web から集める言語・画像のようにはスケールしない。
• コスト側：実機・場所・人手・時間の収集コストが高く、量を増やせない。
• 構造側：データ形式の標準と共有の仕組みが弱く、集めたデータが死蔵される。
• これらが相互に強化し合い、データが少ない→モデルが現場で使えない→収集の動機も投資も集まらない、という悪循環になる。

誰が、どう困るか（影響）

• ロボット・AI開発者：学習素材が足りず、現場で使えるモデルが作れない。
• 個人開発者・中小：収集コストを払えず、データを持つ大手との差が広がる。
• 現場・ユーザー企業：自社の業務に合うモデルが育たず、汎用品で妥協する。
• 国・産業：動作データの蓄積差が、ロボット産業の競争力差として固定する。

放置するとどうなるか（時間軸）

• 数年：データを大量に集められる一部の組織にモデル開発が集中する。
• 中期（2030年代）：データ量の差がモデル性能の差として顕在化し、データを持つ側が事実上の標準を握る。
• 長期（2040年前後）：物理世界の動作データという資産の偏在が、国・企業の競争力を分け、後発が追いつけない構造が固定する。

解決の方向性

• 安価な収集手段：iPhone・安価アーム・既存設備を入口に、専用設備なしで集められるようにする。
• シミュレーション活用：仮想空間で大量に動作を生成し、実機収集を補う（Sim2Realギャップとセットで）。
• 共有データセット：組織を越えてデータを持ち寄り、再利用できる共有基盤をつくる。
• 形式の標準化：集めたデータを共有・再利用できる形式に揃える。

選択肢の比較

選択肢	効果	コスト	実現難度	主な副作用	前提・備考
安価な収集手段の普及	高	低〜中	中	品質のばらつき	民主化の鍵
シミュレーションで生成	高	中	中〜高	Sim2Realギャップ	実機と併用が前提
共有データセット	高	中	中	帰属・権利の整理が必要	形式標準が前提
大手の大規模収集に依存	中	高	低	データの偏在・寡占	後発が追えない

主体別アクション

メーカー・技術提供者

• レバー：安価な収集ツール、シミュレーション環境、標準フォーマット対応。
• 変えるもの：高コストな実機収集から、誰でも集められる手段へ。
• 制約：品質と手軽さの両立。
• 成果指標：単位コストあたりの有効データ量。

研究者・OSSコミュニティ

• レバー：共有データセット、収集・変換手法、評価基準の公開。
• 変えるもの：死蔵されるデータから、持ち寄り再利用できるデータへ。
• 制約：帰属・権利・品質の調整。
• 成果指標：公開データセットの規模と再利用実績。

個人開発者・現場

• レバー：iPhone・安価アームでの自前収集、自社業務データの蓄積。
• 変えるもの：大手依存から、自前で集めて使う側へ。
• 制約：収集の手間・スキル。
• 成果指標：自前データで動いたタスクの数。

国

• レバー：共有基盤・標準化の支援、収集の裾野を広げる施策。
• 変えるもの：データ偏在の放置から、分散収集の後押しへ。
• 制約：予算・権利調整。
• 成果指標：国内で利用可能な共有データの規模。

争点

• 集中か分散か：大手の大規模収集に任せるか、分散・共有で民主化するか。
• 帰属：持ち寄ったデータの権利・対価をどう扱うか。
• 実機かシミュか：どこまでシミュレーションで代替し、どこから実機が要るか。

反対論・トレードオフ

• 「データは規模がすべてで、結局は大量に集められる大手に任せるのが合理的」（最も強い反対）：分散収集は非効率で、巨大データを持つ組織に集約した方が性能が出るという主張。
  • 応答：汎用の基盤モデルは大規模データが有利でも、現場ごとの業務に合う動作は現場でしか集まらない。大規模基盤に「現場の少量データ」を足して適応させる構図なら、分散収集にも明確な役割がある。すべてを大手に委ねると、現場適合とデータ主権の両方を失う。
• 公平性：収集手段を持てる者と持てない者の差が、そのままモデル性能の差になる。
• 副作用：安価な収集を急ぐと品質が落ち、かえって学習を損なう（模倣学習のデータ品質参照）。

失敗のシナリオ（プレモーテム）

• 安価収集を広げたが品質が伴わない：量は増えても学習に使えない。
• 共有データセットの帰属が曖昧で誰も出さない：基盤が育たない。
• シミュレーション一本足になりSim2Realで詰まる：実機で再現せず使えない。
• 大手集中が進み後発が締め出される：データ偏在が固定する。

KPI

• 結果指標：単位コストあたりの有効データ量、自前データで動いたタスク数。
• 中間指標：安価収集手段の普及、共有データセットの規模、標準フォーマット対応。
• 副作用指標：データ品質起因の学習失敗の割合。

未解決の問い

• どこまでシミュレーションで代替でき、どこから実機データが必須か。
• 共有データの帰属・対価・品質をどう設計すれば持ち寄りが進むか。
• 現場の少量データを基盤モデルに効率よく足す方法は何か。
• 安価収集の品質をどう担保するか。

すでにある良い事例

• Open X-Embodiment 等の共有データセット：複数組織の動作データを持ち寄り、横断的に学習する取り組み（規模・参加組織は※要出典確認）。
• LeRobot（Hugging Face）：オープンな動作データセット形式と収集・学習基盤を提供し、収集の裾野を広げている。
• Real2Render2Real（UC Berkeley / Toyota Research Institute）：現実をデジタルツイン化し、仮想空間での試行から実機の動作データを増やすアプローチ。本サイトの母体プロジェクトもこの考え方を入口にしている。

10年後の望ましい状態

• iPhoneや安価な手段で、誰もが動作データを集められるようになっている。
• 組織を越えた共有データセットが育ち、後発も学習素材にアクセスできる。
• 現場の少量データを基盤モデルに足して適応させる流れが定着している。

出典・関連課題・更新履歴

• 出典：Open X-Embodiment、LeRobot（Hugging Face）、Real2Render2Real（Yu, Fu et al., 2025）等（データ規模等の具体値は※要出典確認）。
• 関連課題：Sim2Realギャップ / 模倣学習のデータ品質 / 基盤モデルの寡占 / 現場知のデータ化 / エコシステムの主導権
• 更新履歴：2026-06-12 初版（draft・定量データ未検証）