ロボットにはVLAと世界モデルだけでは不十分

- 汎用ロボット知能を『policy-scaling問題』とする見方を批判する position paper。 - ボトルネックは policy learning だけでなく、非構造化行動データを grounded robot supervision に変換する仕組みの欠如だと主張。 - 人間動作、internet video、simulation rollouts、interactive demonstrations は豊富だが、embodiment-specific action labels、task semantics、reward structure を欠くため直接使えない。 - 次世代ロボティクスに4つの不足要素を提示：data interfaces、embodiment interfaces、world-model interfaces、reward interfaces。 - robot foundation models、cross-embodiment datasets、learning from video、world models、reward modellin…

- 従来の VLA や world models 中心の議論は policy-scaling に偏り、データ変換機構を軽視していると指摘。 - 単に大規模 VLA を訓練するだけでは汎化が不十分で、非構造化行動データを embodiment に接地する interface 群が必要と主張。 - 既存の cross-embodiment datasets や learning from video の進歩を踏まえつつ、それらを統合する枠組みを提案。 - 具体的な性能比較や優位性の定量的主張は要旨からは不明。

- 4つの interface を中核に据える： - data interfaces：非構造化行動の autolabelling。 - embodiment interfaces：人間動作を robot actions へ retargeting。 - world-model interfaces：physics-grounded 3D reasoning。 - reward interfaces：video と言語から task progress と success を推論。 - これらを組み合わせ、robot demonstrations だけでなく物理世界全体から学習する robotics systems を目指す。 - 具体的なアルゴリズムやアーキテクチャの詳細は要旨からは不明。

- 要旨からは不明。position paper であり、実験的検証ではなく survey と research agenda の提案が中心と読める。 - 検証方法やベンチマーク、評価指標についての記述は要旨にはない。

- policy-scaling だけでは汎用ロボット知能に不十分という議論を提示。 - 非構造化データの活用には action labels、task semantics、reward structure の欠如という課題がある。 - 4つの interface の必要性を説くが、実装上の困難や限界、反論については要旨からは不明。 - 研究コミュニティへの agenda 提示であり、具体的な議論の深さは本文に委ねられる。

- 要旨で参照/比較されている研究領域：robot foundation models、Vision-Language-Action (VLA) models、cross-embodiment datasets、learning from video、world models、reward modelling。 - 関連手法として、human motion retargeting、simulation rollouts、interactive demonstrations からの学習が挙げられる。 - 個別論文名は要旨に明記されていないため、同分野の定番として VLA や world model 関連の survey を次に読むのが妥当。