LOG140考察記事2026/4/11

AGIBOTが100万エピソードでやることを、自分は10エピソードから始める

AGIBOTが発表した世界シミュレーターを分析しながら、R2R2Rパイプラインと構造的に同じ問いを解いていることに気づいた日。

💡 Key Takeaway

GE-Sim 2.0は「現実録画 → 世界モデル化 → 閉ループ学習」という構造で動いている。R2R2Rは「3Dスキャン → Unityデジタルツイン → 実機展開」という構造で動いている。スケールは桁違いに違う。でも問いの形は同じだ。そして、自分に欠けているのは「3番目のピース」だけだという事実に、今辿り着いた。

分析したこと	気づいたこと	判断
GE-Sim 2.0のアーキテクチャを読んだ	R2R2Rと構造が同形であることを確認した	スケールの非対称性をブランドにできる
クローズドループに必要な3ピースを特定した	自分には1と2がある、3番目だけ欠けている	VLM-as-Rewardで3番目を埋められる
mechArmスケールで「完全な報酬モデル」は無理と判断した	「報酬の代替」ならiPhone+APIで組める	物理的な追加ゼロでループが成立する

AGIBOTが発表した「世界シミュレーター」とは何か

—— 単なるシミュレーターではなく、評価機能を内蔵した閉ループ学習基盤だった。

AGIBOTのGE-Sim 2.0（Genie Envisioner World Simulator 2.0）は、ロボットマニピュレーション向けの「身体化ワールドシミュレーター」として発表された。従来の物理エンジンベースのシミュレーターと根本的に異なる点がある。物理エンジンではなく、ニューラルネットが次フレームを「想像」しているという構造だ。

アーキテクチャを読み解くと、3つの技術的柱が見えてくる。

映像生成（Generated Vision State）
固有感覚状態推定（Proprioceptive State Estimation）
報酬ベースのポリシー評価（Reward-Based Policy Assessment）

この3つを統合した閉ループが、GE-Sim 2.0の核心だ。

ワークフローはこうなっている。

Policy Model
    ↓
Action Chunk
    ↓
GE-Sim 2.0（世界モデル）
    ↓
Proprio State + Vision State
    ↓
Reward Model
    ↓
Policy Model へフィードバック

完全なクローズドループだ。

ベースモデルはNVIDIAのCosmos-Predict2-2B-Video2Worldをファインチューニングしたもので、AgiBot-World-Betaデータセット（約100万件のリアル双腕ロボット操作エピソード、総計約3,000時間）で学習されている。学習にはA100×80〜32枚、数週間〜数ヶ月規模の計算が必要だ。

「個人・スタートアップが再現できるか？」という問いへの答えはシンプルだ。学習は完全にアウト。

でも、ここに引っかかる必要はない。

R2R2Rパイプラインと、問いの形が同じだった

—— スケールは桁違い。でも構造の問いは同じだ。

R2R2Rパイプラインを整理すると、こうなっている。

現実録画の標準化  → 3Dpressoスキャン ＋ 実機撮影
アクション条件付き生成 → Unityデジタルツイン
報酬モデルによる評価 → ここだけ手動

GE-Sim 2.0がやっていることとの対応関係は明快だ。

GE-Sim 2.0	R2R2R / Pixels to Motors
現実環境を直接録画してワールドモデル化	3Dpressoスキャン → Unityデジタルツイン
Action Conditioned Video Generation	実機でのピックアンドプレース実行
Reward Modelによる自動評価	←ここだけ欠けている

クローズドループが成立するために必要なピースは3つある。1番目は現実の記録と標準化、2番目はアクション条件付きの実行と記録、3番目は評価だ。

R2R2Rには今、1番目と2番目がある。

3番目だけ欠けている。

「完全な報酬モデル」は厳しい。「報酬の代替」なら今日から組める。

—— VLM-as-Reward という手法が、2024年から急速に使われ始めている。

mechArm 270-Pi の制約を整理するとこうなっている。

実効ペイロード 約150g（グリッパー重量引いた後）
単腕・6軸
固定設置

この規模で専用の報酬モデルを学習させることは、現実的ではない。

でも「報酬の代替」なら違う。

VLM-as-Rewardは、VLM（GPT-4oやClaude）に画像を投げて「タスク成功しているか？」を判定させる手法だ。学術的にも2024年から急速に使われ始めている。コーヒーカップのピックアンドプレースなら「カップがターゲット位置にあるか」をVLMに聞くだけでスコアが返ってくる。APIコストはかかるが、GPU追加は不要だ。

今手元にあるものを整理するとこうなっている。

mechArm 270-Pi
iPhone（3Dpresso実績あり・カメラとして使える）
Raspberry Pi（mechArm内蔵）
Claude / GPT-4o（API）

これだけでVLM-as-Rewardのループは組める。物理的な追加はゼロだ。

最小構成のイメージ

—— iPhoneがカメラ兼評価センサーになる。

実装ステップはこうなっている。

1. mechArmが動作を実行する
2. iPhoneで結果を撮影（1枚）
3. Claude APIに投げて「成功/失敗/スコア」を返させる
4. そのスコアを次の試行にフィードバックする

物理的な追加はゼロ。iPhoneがカメラ兼評価センサーになる。

これは「報酬モデルを持っている」とは言えない。でも「報酬の代替として機能するループを持っている」とは言える。AGIBOTが専用の報酬モデルを学習させていることと、自分がVLM-as-Rewardでそれを代替していること——この非対称性が、逆にブランドになる。

「AGIBOTは専用報酬モデルを学習させる。
自分はVLM-as-Rewardで代替する。
これが『iPhoneを入り口にした低コスト化』の報酬モデル版だ。」

AGIBOTが100万エピソードでやっていることを、mechArmで10エピソードから始めるという話として語れる。スケールの非対称性を逆手にとる構図だ。

次のステップ

今の優先順位は変わらない。コーヒーカップのピックアンドプレースは、今のmechArm1台ではペイロード的にも構造的にも無理がある。今のターゲットはブロックだ。

まず、iPhoneで撮った静止画をClaude APIに投げて「このブロックは指定位置に置かれているか」を判定できるか試す。mechArmを動かす前に、評価部分だけ先に検証できる。

3番目のピースを、今ある設備で埋められるかどうかを確認する。