何が起きたか

The Robot Reportは2026年11月13日、Rhoda AIが動画データを使い、ロボット向けの汎用AIモデルを開発していると報じた。同社は直接動画アクション（DVA）モデルを実世界のロボットに適用することを目指している。共同創業者兼CEOのJagdeep Singhは、実世界では作業のたびに状況や構成が異なるため、頑健なモデルには大規模な学習データが必要だと説明した。

本紙の見方

今回の報道の焦点は、ロボットの操作データを個別に集めるのではなく、動画を学習データの入口として使うRhoda AIのDVA構想にある。Singhは、実世界では作業ごとに環境や構成が異なると述べており、特定条件下での動作実演と、異なる条件に対応するモデルの間にデータ面の課題があるという見立てを示した。ただし、動画からどのように動作ラベルを生成するのか、動画とロボットの行動をどう対応づけるのかは、記事本文で確認できる範囲では説明されていない。動画を使うこと自体が、操作に必要な情報を十分に含むことや、未知の環境への適応を保証するわけではない。 本紙は、Rhoda AIについてForbes、Rhoda AIとGenesis AIの秘密開発を報道（2025年10月15日）、Rhoda AI、シリーズAで4.5億ドル調達、評価額17億ドルに（2026年4月2日）を報じている。今回の記事は、資金調達や開発の存在ではなく、学習データを動画から得ようとするモデル開発の考え方を扱う点で、既報の事業背景に技術上の課題設定を加えるものだ。一方、報道されたのは同社の方針とCEOの説明であり、動画データの規模、学習手順、対象タスク、実環境での評価結果は示されていない。したがって、既報の資金調達規模をモデルの実用性や開発成果の裏付けとみなすことはできない。 構造面では、動画を取り込む工程、ロボットの行動に結びつける処理、実機での実行、その結果を次の学習に戻す工程が一連の仕組みとして成立するかが論点になる。記事は、従来の遠隔操作によるデータ収集では限定的なデモにとどまった例があるというSinghの見解を紹介しているが、DVAがその制約をどこまで解消したかを示す比較データはない。また、視覚と言語を行動につなぐVLAモデルとの違いも、提示された記事本文からは詳細を判断できない。今後確認すべきなのは、動画の収集元と権利処理、行動データへの変換方式、学習データの量と多様性、異なるロボット構成や環境での再現性、失敗時の安全措置である。これらが示されなければ、動画利用が実際の汎用性や自律動作の改善に結びついたかは評価できない。

なぜ重要か

Rhoda AIが示す課題設定では、実世界の作業条件のばらつきに対応するための大規模データが焦点となる。動画をロボットの行動学習にどう結びつけ、環境が変わった場合にも動作を再現できるかが、同社のDVA構想を評価する条件になる。