株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
VLAモデルとは？ ― LLMがロボットの「体」を動かす仕組み
ChatGPTのようなLLM（大規模言語モデル）は「言葉」を生成します。画像生成AIは「画像」を生成します。では、ロボットの「行動」を生成するAIは何でしょうか？
VLA（Vision-Language-Action）モデルは、視覚情報と言語指示等をもとに行動を生成するモデルです。出力は版/対象機体により関節目標、手先の姿勢、行動チャンクや車両の軌道などが異なり、全モデルが直接モーターの力/トルクを出すわけではありません。GR00T N1やAlpamayoの仕様のように、入力の機体状態・低位コントローラーと行動表現を対応付けます。
Moritz Reussの分析の164本は、筆者がOpenReviewで「Vision-Language-Action」を検索したICLR 2026への投稿件数です。採録数や全VLA研究の網羅的件数ではなく、語の範囲/検索時点に依存する筆者の集計として扱います。本記事では、VLAモデルの仕組み、主要モデルの比較、そしてなぜVLAが「汎用ロボット」実現の鍵なのかを解説します。
LLM → VLM → VLA ― AIモデルの進化系譜
VLAモデルは、AI技術の進化の延長線上にあります。
| モデル | 入力 | 出力 | 代表例 |
|---|---|---|---|
| LLM（大規模言語モデル） | テキスト | テキスト | GPT-4、Claude、Gemini |
| VLM（視覚言語モデル） | テキスト + 画像 | テキスト | GPT-4o、Gemini 2.0、Claude Vision |
| VLA（視覚言語行動モデル） | テキスト + 画像/動画 | ロボットの行動 | GR00T N1、Helix、Alpamayo |
LLMは「言葉を理解して言葉を返す」、VLMは「画像も理解して言葉で説明する」、VLAは「見て、言葉を理解して、動く」——これがロボットの「脳」に求められる能力です（iCOM技研）。
なぜVLAが必要なのか
従来のロボット制御は「認識 → 計画 → 制御」というパイプライン方式でした。カメラで認識した結果をプランナーに渡し、プランナーが動作を計画し、コントローラーが関節を動かす。各段階が別々のシステムで動くため、遅延が発生し、エラーが伝播しやすいという問題がありました。
VLAは認識・言語理解と行動生成を結び付けて学習しますが、全モデルが一つの同期ネットワークですべての制御層を置き換えるわけではありません。GR00T N1やHelixは高位/低位の要素を組み合わせており、出力表現・周期・機体に合わせた制御が必要です。速度や未知の作業への汎化は、版/データ/評価条件ごとに検証します（元の引用：The Robot Report）。
主要VLAモデル4選 ― 2026年最前線
1. GR00T N1 / N1.7 / N2（NVIDIA）
NVIDIAのGR00T（Generalist Robot 00 Technology）は、ヒューマノイド向けのオープン基盤VLAモデルです。
| バージョン | パラメータ | 特徴 |
|---|---|---|
| GR00T N1 2B | 20億級（2Bモデル） | 高位の視覚言語理解と行動生成。実ロボット軌跡・人の動画・合成データを併用し、対象機体/タスクに追加学習 |
| GR00T N1.7 | — | 2026年3月16日にNVIDIAが商用展開可能と発表。特定機体の完成済み安全性/性能保証とは分け、版・利用条件/現場適合を確認 |
| GR00T N2（3月発表時はプレビュー） | — | DreamZero研究ベースのWorld Action Model。性能の比較では評価対象・比較版・集計条件を確認。発表時の提供予定と実提供を区別 |
GR00T N1の原論文は、視覚言語の理解と行動生成を結合したデュアルシステムを説明します。N1/N1.7/N2は同一版の同一実験結果ではなく、2026年3月の発表にある新モデル/予定と区別します：
- System 2（VLM）：物理世界を視覚と言語で解釈し、行動計画を推論する「遅い脳」
- System 1（Diffusion Transformer）：高位の表現等から連続値の行動を生成。推論・行動出力・モーター制御の周期を区別し、対象版/ハードウェアごとの仕様と実測で評価する
公開重み/仕様があっても、入力状態・行動表現・制御器と対応機体/利用条件の照合が必要です。N2の3月発表はWorld Action Modelのプレビューを説明し、当時は年末提供予定でした。比較モデル/課題集合・成功率の分母/平均方法と実提供条件を確認し、別モデルの結果を全現場の改善保証やN1の実験値へ転用しません。
2. Helix（Figure AI）
Figure AIが自社開発したHelixも、GR00T N1と同じデュアルシステム設計を採用しています。
- System 2（70億パラメータ）：高レベルの推論とタスク理解を担当
- System 1（8,000万パラメータ）：200Hzでリアルタイム制御を実行
Figureの2025年2月20日発表のHelixは約500時間の複数ロボット/操作者の遠隔操作データで学習した上半身制御のモデルです。11月のBMW展開報告のFigure 02の1,250時間超は稼働時間で、説明されているのはFigure 03の構造/製造・信頼性への知見です。この資料から、その全時間をHelixの学習データ量や特定版の訓練利用と断定しません。
2026年1月27日のHelix 02発表は、System 0を加えて歩行・バランスを含む全身制御へ拡張した構成と、特定の作業デモを示します。2025年版の500時間/上半身の値を全身版の全訓練量や長時間の現場稼働実績とはしません。
3. Alpamayo（NVIDIA / 自動運転向け）
Alpamayoは、NVIDIAの2026年1月5日発表による自動運転の研究/開発向けVLAです。大規模な教師モデルを微調整/蒸留して車載用スタック等の開発に使う位置づけで、そのまま全車両に搭載するモデルとは区別します（元の引用：TechCrunch）。
- Alpamayo 1の公式発表は100億級（10Bパラメータ）の推論型VLA。10Bは10億ではなく100億で、略称とモジュール別の仕様値を区別
- 判断に対応する推論テキストを出力。その文だけで判断の正しさや実際の因果過程/安全性を保証するものではない
- 信号故障等の複雑なエッジケースへの対応を研究/評価する目的。すべての未知状況での自律走行性能を保証しない
- Alpamayo 1.5はナビゲーション指示や柔軟なカメラ数等に対応。1もマルチカメラ入力を持つため、1.5で初めて複数カメラになったという意味ではない
ヒューマノイド向けGR00Tと、自動運転向けAlpamayoは出力/学習データと制御対象が異なります。Alpamayo 1の10Bは車載用に直接動作させるという制約ではなく、大規模教師モデルの仕様です。モデルカードも軌道と推論テキストの出力、追加評価の必要性を示しています。VLAという枠組みが共通でも同じ重み/制御器をそのまま両機体で使うわけではありません。
4. ACoT-VLA（AgiBot / CVPR 2026）
AgiBot・北京航空航天大学の研究者らによるACoT-VLA論文はCVPR 2026採録です。提案の「行動空間での連鎖的な推論」は、粗い参照軌道を出す明示的要素と、内部表現から行動事前情報を抽出する暗黙的要素を組み合わせ、行動ヘッドを条件付けます。自然言語で理由を説明することだけと同一にはせず、実験の機体/課題と版に限定して評価します。
WholeBodyVLA（2025年12月の研究）は、行動ラベルのない一人称動画から潜在行動を学び、実ロボットデータと、前進/旋回/屈伸等を実行するLMO強化学習方策を組み合わせる枠組みです。AgiBot X2による全身の移動と操作の実験で、比較結果は論文の課題集合/指標・基準手法に対応させて読みます。ACoT-VLAや他機体すべての性能結果とは混同しません。
ICLR 2026 ― キーワード投稿集計164本と研究動向
Moritz Reussの分析の164本は「Vision-Language-Action」のキーワードを含む投稿の集計です。採録済み164本という意味ではなく、筆者の検索範囲と時点に限定されます。以下の研究潮流も、各論文の版/採録先とモデルの実験条件を確認して読み、投稿の増加から現場実用化を推定しません。
2026年のVLA研究トレンド
| 研究潮流（分類は重なる） | 内容と評価条件 | 論文/モデル例（版・採録先を区別） |
|---|---|---|
| Discrete Diffusion VLA | 離散化した行動チャンクを離散拡散で生成。自回帰と拡散を組み合わせるDiffusionVLAとは別の論文/方式 | Discrete Diffusion VLA（現v4の記録はICML 2026採録、ICLR採録数には含めない） |
| Reasoning VLA | 行動生成を中間表現等で条件付ける。ACoTは粗い行動意図/内部事前情報を使い、全方式が自然言語で正しい理由を説明するとは限らない | ACoT-VLA、Vlaser |
| WholeBody VLA | 上半身だけでなく全身の移動と操作を統合制御 | WholeBodyVLA |
| VLM Backbone選択 | 特定の適応/評価条件ではVLMの一般能力だけで下流の制御性能を予測しにくい。すべての評価で相関ゼロという意味ではない | VLM4VLA |
| Self-Improving VLA | 残差強化学習でデータを自動生成し、自己改善するVLA | Self-Improving VLA |
VLM4VLAは、特定の適応手法・複数の評価課題でVLMの一般能力だけでは下流の制御性能を十分予測できないと報告しています。初期化としてのVLM利用の利点と、一般ベンチマークの順位/追加学習がそのまま制御性能の順位になることは別です。評価ごとの関係を確認し、すべてのモデル・ベンチマークで相関がゼロという一般法則にはしません。
なぜVLAが「汎用ロボット」実現の鍵なのか
従来のロボット：タスクごとにプログラミング
従来のロボットは、新しいタスクを実行するたびに個別のプログラミングが必要でした。「箱を掴む」「ネジを締める」「物を運ぶ」——それぞれ別のプログラムを開発し、テストし、導入する。タスクが変わればまたゼロから。
VLAモデル：言語指示だけで新しいタスクを実行
VLAでは、自然言語の指示で行動を条件付けできます。「赤い箱を右の棚に移動して」という指示を処理する場合も、学習済みの行動分布・対象機体/物体/環境に依存します。新規タスクすべてを追加データや適応なしで実行できるとは限らず、現場の評価と低位制御の対応が必要です。
言語モデルの新しい質問への応答と、物理環境で未知の作業を安全に実行することには異なる評価が必要です。VLAの「汎用性」は未知の物体/配置/言語指示等への汎化を目指す性質で、すべての未知タスクへの成功保証ではありません。版/学習データ・機体と試験条件に対応させます。
模倣学習からの進化
VLAの多くも実演データを使う模倣学習等を利用し、「言葉と状況を手がかりに行動を生成する」ように学習します。模倣学習とVLAを旧/新の相互排他的な方式には分けません。N2の2026年3月のプレビュー発表は、発表時の予定と実提供を分けて読みます。比較版・課題集合・分母等の評価条件を確認し、全未知タスクや全現場に対する改善保証とはしません。
renueの見解
VLAモデルは、renueの技術スタンスである「汎用LLMの進化を追うことが最優先」を最も直接的に裏付ける技術です。VLAはLLMの延長線上にあり、NVIDIAのGR00TやOpenAIの技術がロボットの「脳」として展開されています。
企業にとって重要なのは、VLAモデルはオープン化が進んでいる点です。GR00T N1はオープンモデルであり、特定のハードウェアメーカーに縛られません。最先端のVLAモデルにいち早くキャッチアップし、自社の現場データで微調整（ファインチューニング）する能力を磨くことが、ロボット導入の競争力になります。
よくある質問（FAQ）
Q. VLAモデルは今すぐ使えますか？
NVIDIAは2026年3月16日にN1.7を商用展開可能と発表しています。ただしこれはメーカーの位置づけで、全機体で調整/追加学習なしに安全に動く保証ではありません。試す版の公開状態・利用条件/必要ハードウェア・データ形式と、シミュレーション/実機の評価環境を確認します。N2のプレビューや将来の提供予定も別です。
Q. VLAモデルの学習にはどんなデータが必要ですか？
学習データはモデルと版により、映像/言語・機体状態/行動実演・人の動画等を組み合わせます。初期Helixの約500時間は遠隔操作の訓練データで、BMWの稼働時間やHelix 02の全学習量ではありません。GR00T N1は実ロボット軌跡・人の動画と合成データを併用し、機体/課題に合わせて学習/評価します。
Q. LLMの知識があればVLAも理解できますか？
VLAはLLM/VLMの拡張であるため、Transformerアーキテクチャの理解があれば基本概念は掴めます。ただし、ロボット制御特有の要素（リアルタイム性、機体状態/行動表現、物理制約）は追加で学習が必要です。推論・行動出力と低位制御の周期を区別し、版/ハードウェアごとに確認します。
まとめ
VLA（Vision-Language-Action）モデルは、LLM → VLM → VLAというAI進化の最先端に位置し、ロボットに「見て、理解して、動く」能力を与えるブレークスルーです。
GR00T N1/N1.7とN2のプレビュー、初期Helix/Helix 02、開発向け教師モデルAlpamayo、ACoT-VLA等の研究は、版・提供状況/学習データと評価条件を分けて比較します。ICLR 2026の164本も筆者のキーワード投稿集計で採録数ではなく、研究動向の手掛かりと全現場での実用化達成を区別します。
VLAこそが「汎用ロボット」を実現する鍵であり、この技術の進化を追い続けることが、フィジカルAI時代に備える最善の戦略です。
参考情報
- Vision-Language-Action Model - Wikipedia
- VLA: The Next Leap in Autonomous Robotics - The Robot Report
- State of VLA Research at ICLR 2026 - Moritz Reuss
- NVIDIA Open Model Families for Physical AI - NVIDIA Newsroom
- NVIDIA launches Alpamayo - TechCrunch
- VLA Models & Policies for Robots - LearnOpenCV
- VLAモデルとは？わかりやすく解説 - iCOM技研
- VLMモデルとは？LLMやVLAとの違い - iCOM技研
- モデル/論文の一次資料：GR00T N1原論文・WholeBodyVLA原論文・ACoT-VLA原論文・Alpamayo公式発表
あわせて読みたい
- フィジカルAIと生成AIは何が違うのか
- フィジカルAI（Physical AI）とは？2026年最注目技術を解説
- ヒューマノイドの5大技術課題
- Figure AI・BD・Apptronik 3社の設計思想
AI活用のご相談はrenueへ
renueは自社開発のAIツールを自社運用するAIコンサルティングファームです。VLAモデルを含む最先端AI技術の活用から、貴社のAI戦略まで支援します。