ロボットが数秒のデモから新スキルを習得——GEN-1.5 と HOST が示す『インコンテキスト学習』の時代
Generalist AI の GEN-1.5 と北京工業大学の HOST フレームワークが、ロボットが単一デモンストレーション（3～12秒）から新タスクを学習できることを実証。トレーニング不要で 59～83% の成功率を達成し、産業用ロボティクスの汎用化が加速する。
ロボット業界が「インコンテキスト学習」の時代へシフト
従来、ロボットに新しいタスクを習得させるには数週間のトレーニングと膨大なデータが必要だった。ところが今、わずか数秒の人間のデモンストレーションから、ロボットが自動的にスキルを学習する技術が現実になりました。
Generalist AI（生成系AI向けの汎用ロボットプラットフォーム企業）は GEN-1.5 というモデルを発表し、3～12 秒の「物理的プロンプト（Physical Prompt）」から複数のタスクを習得できることを実証しました。同時に、北京工業大学と Tsinghua 大学の研究チームは HOST（Human-to-robot One-Shot Skill Acquisition）というフレームワークで 62% の一回学習成功率を達成しています。
この進化は、生成 AI が言語処理で実現した「インコンテキスト学習」をロボットの物理的タスク領域に持ち込むものです。ユーザーが「試したい新タスク」をデモで示すだけで、ロボットが その場で対応できる——それが、今年の技術進展で現実に近づきつつあります。
GEN-1.5：複数タスクを単一コンテキストウィンドウで実行
Generalist AI の GEN-1.5 がユニークな点は、インコンテキスト学習による実装です。言語モデルが「プロンプト（テキスト指示）」をコンテキストウィンドウに保持するのと同様に、GEN-1.5 は「デモンストレーション動画」をモデルのコンテキストに保持し、その観察から実行行動を導き出します。
技術仕様
- 入力形式：3～12 秒の人間デモンストレーション映像
- 処理方式：映像内の物体操作状態を認識 → ロボット特有の観測に適応 → 実行行動を生成
- 学習プロセス：トレーニング不要。推論時のみで実行
- 性能：初期 59% 成功率 → 10 回の最適化後に 83% まで向上
8 ヶ月間の事前学習で interaction data（ロボット操作データ）を吸収した基盤モデルが、新タスクを見た瞬間に適応する仕組みです。これは従来の「タスク別ファインチューニング」ではなく、言語モデルの in-context learning と同じアーキテクチャです。
HOST フレームワーク：単一ビデオから 62% の成功率を実現
北京工業大学と Tsinghua 大学の研究チームが開発した HOST は、別のアプローチで同じ問題を解いています。
3 段階のプロセス
- 進捗推定（Progress Estimation）：カメラ映像からデモ内のどの段階にあるかを認識
- 予測生成（Prediction Generation）：次の段階をロボット観測として予測
- 行動生成（Action Generation）：予測から実行行動を導出
学習効率
- 事前学習データ：193,462 のロボット軌跡
- 適応学習データ：5,847 本の人間デモ動画
- 成功率：62%（ゼロショット基準を 45% 上回る）
- 効率性：従来の 50 回デモが必要なベースラインの 50 分の 1 で達成
研究チームは実装上の課題も認識しており、「他ロボット、より広範なシナリオでのテスト」が今後の改善課題としています。
ロボット産業への波及効果：「訓練から試行へ」の転換
この技術が量産化されると、産業用ロボット導入のプロセスが激変します。
従来のモデル
- ロボット購入 → 数週間の職人による設定・プログラミング → 単一タスク専用化 → タスク変更に数週間の再設定
新しいモデル
- ロボット購入 → 作業員がデモを数秒撮影 → その場で実行 → タスク変更は新デモで即対応
特に、中小製造業や季節的に仕事内容が変わる現場では、この柔軟性が投資回収の可能性を大きく変えます。
技術的課題：「単純タスク」から「複雑な判断」へ
ただし現時点での実装には限界があります。
- テストされたのは相対的に単純なタスク：瓶を開ける、財布から物を取る、軽い組立作業
- 複数ステップ・条件分岐の判断：まだ実装が不確実
- 環境変化への頑健性：照明・視点・物体配置の微妙な変化でも失敗率が上昇する可能性
研究チームの自己評価では「50 未見物体タスク」でテストしており、一般化能力はまだ限定的です。
業界の方向性：汎用ロボティクスの「iPhone モーメント」
ロボット業界は今、言語モデルが 2022 年に経験した転換点を迎えています。
従来：「タスク別専用ロボット」が正解（産業用ロボット、掃除ロボ等） 現在：「基盤モデル＋軽量適応」で汎用化が加速
GEN-1.5 と HOST が示しているのは、大規模なセンサーデータで事前学習されたロボットモデルが、ユーザーレベルの指示（デモ動画）で適応する未来です。
中国の Unitree、Boston Dynamics、そして学術機関がこの領域に投資を集中させているのは、次の 5 年で「ロボットが操作可能な汎用機械」から「使い倒せるツール」へ転換すると見ているからです。
ロボット産業は、AI 革命の第二段階に入ったのかもしれません。
