ロボット業界において「iPhoneモーメント」という言葉は、もはや聞き飽きたジョークのようなものだ。しかし、数ある空約束の中に、冷ややかな視線を送る我々ですら身を乗り出さざるを得ない「本物」が紛れ込むことがある。今回の主役は、1台のロボットとフライ返し、そして1枚のパンケーキだ。
評価額140億ドル（約2兆1000億円）という、もはや天文学的な数字を叩き出したモンスター・スタートアップ Skild AI。彼らが発表した最新の基盤モデル「S1」は、たった1本の動画を見るだけで、10分にも及ぶ複雑なタスクを学習してしまう。そこには、数ヶ月にわたるデータ収集も、遠隔操作オペレーターの軍団も、泥臭い微調整（ファインチューニング）も必要ない。「見て、学ぶ」。それだけだ。
最初にロボットが完璧にパンケーキをひっくり返した時、Skildのエンジニアチームは、それを「バグ」だと疑った。100万時間に及ぶ事前学習データの中に、朝食作りのデータが紛れ込んでいたのではないかと、2日間かけて血眼で調査したという。しかし、結果は白。ロボットは、学習データには存在しない「ひっくり返す」という未知のタスクを、動画プロンプトから推論し、一般化していたのだ。これは単なる模倣ではない。物理的な「常識」の芽生えである。
「微調整（ファインチューニング）」の呪縛からの解放
これまで、ロボットに新しいタスクを覚えさせるのは、魂を削るような作業だった。たった一つの作業を確実にこなさせるために、50時間から100時間ものデータを集め、モデルを微調整し続ける。このコストと時間のボトルネックこそが、汎用ロボットを研究室の檻の中に閉じ込めてきた元凶だ。
SkildのS1が提示するのは、ChatGPTを世界的な現象へと押し上げたのと同じ原理、すなわち「インコンテキスト学習（in-context learning）」によるパラダイムシフトだ。
モデルを苦労して再学習させる代わりに、プロンプトとして1つの例を見せるだけでいい。LLM（大規模言語モデル）にとってのそれがテキストであるように、S1にとっては「人間が作業している主観視点の動画」がそれにあたる。インターネット上の膨大な動画、シミュレーション、そして現実世界の遠隔操作データで事前学習されたこのモデルは、物理的な相互作用についての普遍的な理解を備えている。そのため、観葉植物の植え替えから、衛生キットの組み立て、さらにはハンドドリップコーヒーを淹れるといった作業まで、一度のデモンストレーションで「解禁」できるのだ。
「このコンセプトはインコンテキスト学習と呼ばれ、GPT-1やGPT-2といった研究プロジェクトを、ChatGPTのような革命的な製品へと飛躍させた決定的な要素です」と、同社は発表動画で述べている。「コンテキストウィンドウにデモンストレーションを入力すれば、モデルはタスクを完了するためのロボットアクションを出力するのです」
このアプローチは単に「動く」だけではない。従来のやり方を圧倒している。すでに学習済みのタスクにおいて、S1は従来のVLA（Vision-Language-Action）モデルと同等の性能を発揮するが、全く新しい未知のタスクに直面した際、その差は歴然となる。
物理的知能にも宿る「スケーリング則」
真の魔法は、スケールの先に現れる。Skildが公開したチャートは、世界中のロボット研究所の壁に貼られるべきものだ。そこには、事前学習データが増えるにつれ、インコンテキスト学習による未知のタスクへの対応能力が爆発的に向上する様子が示されている。一方で、言語プロンプトによる従来のVLAモデルは、早々に頭打ちとなっている。
10万時間の事前学習を経て、S1は未知のタスクに対して66%の成功率を叩き出した。対する言語プロンプト型VLAは、わずか9%だ。これは微増ではない。水が氷に変わるような「相転移」だ。大規模言語モデルがそうであったように、ロボット工学にも予測可能な「スケーリング則（規模の法則）」が存在することを示唆している。データを注ぎ込めば注ぎ込むほど、全く新しい能力が芽生える。モデルは単に「器用」になるのではなく、「賢く」なるのだ。
しかも、この知能は決して脆くない。Skildのデモでは、外乱に適応し、ミスをしても即座にリカバーし、さらにはデモ動画の中の人間が犯したミスさえも修正する様子が映し出されている。対象物の位置がずれたり、別のものに置き換わったりしても動じない。それは、単なる軌道の再生を超えた、強固な理解に基づいている。
研究室のデモから、産業界のリアルへ
もしこれが単なる大学の研究プロジェクトであれば、「興味深い」で終わっていただろう。しかし、Skild AIは、ソフトバンク、NVIDIA、そしてジェフ・ベゾス率いるBezos Expeditionsといった巨頭たちが背後に控える商業的怪物だ。140億ドルの評価額を誇り、昨年わずか数ヶ月で3,000万ドル（約45億円）の収益を上げたと報じられている。これは単なる技術展示ではない。すでにOEMパートナーシップを結び、数百台のロボットを現場に送り出している企業による、宣戦布告なのだ。
これは、彼らが掲げるユニバーサルな Translation not available (ja) 構築というミッションにおける、必然的な次の一歩だ。これまでにもロボットに Translation not available (ja) を教えてきた彼らだが、S1は導入のパラダイムそのものを変えてしまう。自動化の経済性を劇的に改善し、ロボット工学の博士号を持つ専門家を雇えない中小企業や病院、スーパーマーケットでも自動化を可能にすること。それが彼らの狙いだ。
もちろん、慎重に見るべき点はある。ベンチマークはあくまで社内データであり、詳細な論文やAPI、モデルの重みなどはまだ公開されていない。しかし、公開された映像の説得力と、同社が持つビジネスの勢いは否定しようがない。「1台のロボットに1つのタスク」という退屈な時代は、ついに終焉を迎えようとしている。
Skildが証明しようとしているのは、ロボットの未来は「プログラミング」ではなく「見せること」にある、という事実だ。そしてその革命は、1枚のパンケーキから始まった。