Physical AIの未来は、より賢いロボットではなく、より賢いインターフェースにある

This sponsored article is brought to you by Wetour Robotics.

風力タービンに登った現場技術者。ハーネスを装着し、両手でレンチを握ったまま、ベルトに吊るした診断装置へコマンドを送る必要がある。積み込みドックの物流作業者。手袋をしたまま、パレットに視線を固定した状態で、接続されたリフトの向きを変えたい。歩行補助装置を使う人が混雑した街路で、スマートフォンを取り出したり声を出したりせずに装置を前に進めたい——。これらの場面に必要なのは、より賢いロボットではない。すでに存在する機械に、自分の意図をより賢く伝える方法だ。

業界は片側だけを築いてきた

Physical AIの過去3年間は、ロボット側のループにおける目覚ましい進歩の物語だった。Boston Dynamics、Figure、Unitreeといった企業が、アクチュエータ、移動、巧緻性を10年前には考えられなかった水準まで引き上げた。Google DeepMindのGemini Roboticsは、非構造化環境における視覚言語行動モデルの可能性を再定義した。ハードウェアと基盤モデルの軌道は現実のものであり、加速している。

しかし、このループにはもう一つの側面があり、長らく「解決済み」と見なされてきた。人間と機械のインターフェースは、40年間にわたりスクリーン、ボタン、音声という3つの入力様式に依存してきた。それぞれの様式は、ユーザーが立ち止まって下を見、意図を構造化されたコマンドに変換できることを前提としている。この前提は、作業が現実の環境に移った瞬間に崩れる。タービンの上で。ドックで。歩道で。手がふさがり、視線が固定され、発話が現実的でないあらゆる場面で、従来のインターフェーススタックは静かに機能不全に陥る。

Spatial Intent Fusionとは、人間中心の3つの情報ストリーム——空間的位置、視覚的文脈、ジェスチャ意図——を同時に処理することである。あなたの身体がインターフェースになる。

ループの人間側のボトルネックは、機械側のボトルネックと同等に重要になりつつある。そしてそれを解決するには、異なる問いが必要だ。「ロボットをより有能にするにはどうするか」ではなく、「人間がすでにロボットが行っているのと同じくらい自然にコンピューティングシステムに参加できるようにするにはどうするか」。

Wetour Roboticsの賭け：人間をコンピューティングのループに戻す

Wetour Roboticsは、Physical AIにおける次のアーキテクチャ的飛躍は、ロボットをより有能にすることではなく、人間をコンピューティングネットワークのファーストクラスノードにすることだと賭けている。接続されたデバイスがすでに享受しているのと同じ、低遅延・高忠実度の参加を可能にする。

Wetour Roboticsのエンジニアは問題をこう捉えている。ジェスチャを認識するリストバンドだけでは不十分だ。シーンを認識するカメラだけでは不十分だ。人間がこれから何をしようとしているかという情報は、身体が空間のどこにあるか、目がどこに注がれているか、筋肉が何を準備しているかといった複数のチャネルに分散しており、単一のチャネルだけを観測しても曖昧さが残る。意図を確実に再構築するには、これらのチャネルをオペレーティングシステムレベルで融合させ、ループが「媒介されている」と感じられるのではなく「閉じている」と感じられる程度に低遅延で処理する必要がある。

このアプローチには名前がある。Wetour RoboticsはこれをSpatial Intent Fusionと呼ぶ。人間中心の3つの情報ストリーム——空間的位置、視覚的文脈、ジェスチャ意図——を同時に処理し、接続されたあらゆる物理デバイスに対する単一のリアルタイムコマンドに融合させる技術である。これは同社が外部で用いる、より簡潔な主張「your body is the interface」の背後にある技術的実装だ。

Orchestraは、sensor fusion、意図推論、コマンド変換、安全仲裁を扱うオペレーティングシステムを稼働させるポータブルなインテリジェントハブである。リファレンスコンピュートプラットフォームはNVIDIA Jetson Orin Nano Superで、クリティカルパス上でクラウドに依存せず、エッジで制御ループ全体を維持できる十分なオンデバイス推論容量を提供する。Wetour Robotics

アーキテクチャ：3つのレイヤー、4つのエンジン、1つのループ

Orchestraは単一のデバイスではなく、最初からセンサー柔軟性とアクチュエータ非依存性を備えて設計されたレイヤードプラットフォームである。アーキテクチャは3つの知覚レイヤーと4つの調整エンジンに分解される。

Orchestra自体は、ローカルコンピュートとオーケストレーションの中核である。センサー融合、意図推論、コマンド変換、安全仲裁を扱うオペレーティングシステムを稼働させるポータブルなインテリジェントハブである。リファレンスコンピュートプラットフォームはNVIDIA Jetson Orin Nano Superで、クリティカルパス上でクラウドに依存せず、エッジで制御ループ全体を維持できる十分なオンデバイス推論容量を提供する。このアプリケーションではエッジ推論が必須条件である。生体信号取得からアクチュエータコマンドまでのフルチェーン遅延は100ミリ秒未満に抑えられ、閉ループ制御がラグを感じさせず自然に感じられる範囲に収められている。

VisionLinkは視覚・空間知覚を担う。カメラからの映像は、物体を識別し、距離を推定し、環境文脈を追跡する視覚モデルに供給される。VisionLinkは単なる受動的な認識レイヤーではなく、リアルタイムのコマンド生成器として設計されている。その出力は生体信号データと融合させるため、直接Orchestra OSに供給される。

Conductorは生体信号パイプラインである。手首装着型デバイスから得られる生の表面筋電図（sEMG）データを入力し、時間的パターンを離散的なジェスチャまたは連続的な制御信号に分類して、アクチュエータコマンドを出力する。このユースケースにおけるsEMGの技術的に興味深い特性は、信号が可視運動に先行することである。運動単位活動電位は、指が対応するジェスチャを完了する約50〜80ミリ秒前に皮膚表面に現れる。Wetour Roboticsはこの特性をpre-motion intent sensingと呼び、Orchestraがユーザーの意図に反応するのではなく、意図を予測することを可能にしている。

3つの知覚レイヤーの上に、Orchestra OSは4つの調整エンジンを実行する。Perception Engineは生のセンサーストリームを取り込み正規化する。Intent Engineは複数モダリティにわたってSpatial Intent Fusionを実行し、ユーザーがどこにいて、何を見ていて、手が何をシグナルしているかに基づいて、ユーザーが何をしようとしているかを解決する。Orchestration Engineは、意図を接続された任意のアクチュエータ向けのデバイス固有のコマンドシーケンスに変換する。Safety Engineは衝突するコマンドを仲裁し、運用範囲を強制し、実行をランタイムの安全条件に対してゲートする。

私たちが正直に認めているトレードオフ

人間の身体とデジタル世界を橋渡しするシステムに、完成形はない。3つの工学的課題が未解決のまま残っており、同社はそれぞれを「完全に解決した」と主張するのではなく、意図的なトレードオフとして対処している。

運動中のsEMGのベースライン安定性。静止したユーザーの場合、sEMGによる連続的なジェスチャ認識は信頼性が高い。しかし、歩行や登攀など動きのある状態になると、運動アーティファクトや電極のずれが信号を劣化させ、完全に補償することが困難になる。動的な環境での連続制御を過度に約束するのではなく、Orchestraは複雑な運用環境ではロバストな離散ジェスチャのセットにデフォルトし、信号対雑音比が許容できる文脈でのみ連続制御モードを予約する。

エッジAIコンピュートの小型化。Orchestraの制御ループを完全にエッジで実行するには、本物のオンデバイス推論が必要であり、従来はコンピュート容量、バッテリー寿命、フォームファクターの間でトレードオフを迫られてきた。Wetour Roboticsのアプローチは、コンパクトなキャリアボードと、1日中装着可能なサイズの熱設計およびバッテリモジュールを組み合わせることである。その結果、ユーザーが持ち運べるハブとなり、デスクに縛られることなく、クラウドへのオフロードなしに知覚から作動までのフルループを実行できる。

サードパーティデバイスプロトコルの異質性。ループのアクチュエータ側は断片化された状況にある。メーカーごとに異なるコマンドインターフェース、通信スタック、安全規約が公開されており、Physical AIオペレーティングシステムはそれらすべてと統合しなければならない。Wetour RoboticsはAIエージェントレイヤーを用いて接続とプロトコル変換を適応的に交渉し、Orchestra OSが多様なデバイスからデータを取り込み、人間の意図を推論するニューラルネットワークモデルで処理し、相手のデバイスに適したプロトコルで正しいコマンドを出力できるようにしている。

なぜこれが重要で、なぜ分野全体に役立つのか

コンピューティングの歴史は、インターフェース革命の歴史である。コマンドラインはグラフィカルユーザーインターフェースに、続いてタッチ、そして音声へと移行した。それぞれの移行は、システムに参加できる人々と、そこでできることを拡大してきた。次の移行は、新しい画面や新しいマイクについてではない。人間の身体そのものをコンピューティングネットワークの参加者として扱い、他の接続ノードと同等の速度と忠実度で意図を寄与できるようにすることだ。

コンピューティングの歴史は、インターフェース革命の歴史である。次の移行は、新しい画面や新しいマイクについてではない——それは人間の身体そのものをコンピューティングネットワークの参加者として扱うことだ。

この道筋は、ヒューマノイドロボット、身体化AIのための基盤モデル、巧緻な操作に関する取り組みの競合相手ではない。それらの取り組みに欠けていた補完である。ヒューマノイドシステムにとって最も困難な未解決問題はデータである。人間と物理世界のあらゆる自然な相互作用は潜在的な学習信号であり、それらの相互作用のほとんどは現在、どのコンピューティングシステムにも見えていない。より多くの人間がループのファーストクラスノードになるにつれ、それらの相互作用は観測可能で、構造化され、最終的に今日開発されているヒューマノイドロボットを含む次世代の身体化AIの学習に有用になる。

言い換えれば、人間をコンピューティングのループに戻すことは、個々のユーザーにとってより良いインターフェースを提供するだけではない。より広範なPhysical AIエコシステムが発展し続けるために必要とする、 grounded で実世界の人間-機械相互作用データを生成することでもある。ループのロボット側と人間側は、2つの競合する未来ではなく、同じ一つの未来の2つの半分なのである。

それがWetour Roboticsが「Your body is the interface.」と言うときに意味することだ。

詳細は wetourrobotics.com でご覧ください。