近日、清華大学、無問芯穹（Infinigence）と智元（Agibot）は、集団経験学習（Collective Experience Learning、CEL）という新しいパラダイムを共同で提案し、96台の実物ロボットからなるクラスタで大規模な検証を完了した。CEL により、ロボットは人間のデモンストレーションだけに頼って学ぶのではなく、集団の中の他のロボットの成功経験も参考にできるようになる。あるロボットがタスクの実行中に困難に直面した場合、仲間の過去の経験から解決方法を探し、自分のパフォーマンスを継続的に改善できる。経験を共有し蓄積することで、ロボットの集団は継続的な実践の中で共に能力を高めることができ、ロボットの自律的進化と大規模応用の推進に新しい技術的道筋を提供する。
一、ロボット同士を互いの「先生」に、ロボットの大規模発展に新たな方向性
具身知能が徐々に実験室から現実世界へと進出するにつれ、ロボットはますます複雑な環境で作業しなければならなくなっている。良い仕事をさせる鍵は、現実世界の経験を絶えず蓄積させることだ。現在の一般的な方法は、人間が「教える」ことに頼っている。人間が何度も動作のデモンストレーションを見せるか、あるいはロボットがミスをしたら人間が手動で修正するかである。
しかし、ここには核心的な問題が存在する。ロボットは数百、数千台と大量に展開できるが、経験豊富なオペレーターはそれほど多くはおらず、ロボットと一緒に「増産」することは不可能であり、これがすでに具身知能発展の大きなネックとなっている。
CEL の発想は、ロボットの学習対象を変えること ―― 主に人間に教わるのではなく、「仲間」から学ぶことだ。あるロボットが実践の中で見出した成功経験は、沈殿させてロボット集団全体で共有・再利用できる。こうしてロボットは、人間が教えてくれるのをじっと待つ必要がなく、集団が絶えず蓄積する経験から自ら学び、成長できる。
ロボットが増えるにつれ、集団が蓄積する経験はますます厚くなり、さらに統一された学習メカニズムを通じて戦略を継続的に最適化することで、ロボットの能力は使うほど強くなり、働くほど賢くなっていく。
二、約100台のロボットが「集団学習」、タスク成功率がすべて人間の平均水準を上回る
実環境でのテストは、CEL の学習効果をさらに検証した。
実験シーンには家庭サービスと工業生産の両方が含まれ、具体的にはフラワーアレンジ、服のたたみ、スマートフォンの充電、スツールの組み立て、スマートフォンの梱包の5つのタスクである。結果は非常に目覚ましいものだった：訓練に参加していない2台のロボットが600回のテストを行い、失敗はわずか15回で、全体の成功率は97.5%。さらに、5つのタスクすべての成功率が、6名の人間オペレーターの平均水準を上回った。
このうちスマートフォンの梱包は、複数のステップを連続して完了する必要がある工業タスクである。集団経験学習を経て、ロボットはこのタスクの成功率を79.2%から98.3%に向上させ、120回の連続テストで失敗はわずか2回だった。これは、学習した戦略が複雑なタスクにおいて有効であるだけでなく、十分に安定していることを示している。
研究ではさらに、「ロボットが増えるほど強くなる」というスケーリング傾向も観察された。訓練に参加するロボットが16台から96台に増えると、成功率は86.7%から98.3%に向上した。つまり、同じ実訓練時間の中で、訓練に参加するロボットの規模が大きいほど、蓄積できる実経験が多くなり、これらの経験は継続的に学習の収益に転換され、集団全体をますます賢くしていく。
三、柔軟で高耐障害性のシステムがアルゴリズム革新を支え、ロボットの継続学習ループを完成
CEL が真に実装できるのは、「基盤システム」と「上位アルゴリズム」の両面が共に力を発揮しているからだ。
システム面では、チームは大規模強化学習訓練用オープンソースフレームワーク RLinf に基づいて「耐障害性非同期訓練システム（FATS）」を構築し、約100台のロボットによる継続的かつ安定した協調学習訓練をサポートしている。このシステムは、実物ロボットと計算資源を統一的にスケジューリングする。ロボットはタスクを完了したら、すぐに自分の操作経験をアップロードでき、他のロボットを待つ必要がなく、訓練システムはいつでもモデルの最適化を続けられる。同時に、実環境でよくあるネットワークの不安定、デバイスのオフライン、ハードウェア障害についても、システムはあらかじめ準備を整えている ―― 一部のデバイスが「オフライン」になっても、クラスタ全体は安定して稼働し続けられる。96台のロボット規模のシステムテストでは、クラスタは合計9834回の実行経験を収集し、その間に22台のロボットで合計30回の障害が発生したが、障害によるロボット時間の損失は全稼働時間のわずか1.3%だった。これは、システムが100台規模の実環境の試練に耐えられるほど頑健であることを示している。
アルゴリズム面では、チームは「失敗ガイド型経験検索微調整アルゴリズム（FERT）」を提案し、ロボットがタスクの成否から改善の方向を見出すのを支援している。ここには現実的な難題がある。ロボットの1回の操作は数分間続くことがあり、数千の動作ステップを含むが、最終的に得られるフィードバックは往々にして「成功」か「失敗」の一言だけで、情報量が少なすぎて、どの動作を改善すべきか全く分からない。FERT の発想は、2種類の経験を両方活用することである：成功した操作からは「どうすべきか」を学び、失敗した操作からは「どこが間違っていたか」を見つける。ロボットが困難に直面すると、アルゴリズムは過去の成功経験の中から、類似シーンでの有効な手法を探し出し、ロボットにそれを重点的に学ばせることで、能力はこうして少しずつ改善されていく。
四、産学連携で、具身知能産業化の新しい未来を模索
具身知能の産業化発展において、鍵は単にロボットに「一つのことができる」ようにすることではない。今回、清華大学、無問芯穹（Infinigence）、智元（Agibot）が共同で発表した集団学習パラダイムが提供するのは、「単体ロボットの能力向上」から「集団全体の継続的進化」へと進む道筋である。
そしてその価値は、技術そのものにとどまらない。
それはまず、具身知能の発展をずっと阻んできた障害 ――「人手不足」を解決する。従来、ロボットの能力向上は、経験豊富なオペレーターによる継続的なデモンストレーションと手動での修正に高度に依存していた。しかし人間は希少な資源であり、ロボットの大量展開の速度に永遠に追いつけない。集団学習によりロボット同士が学び合うことで、状況は完全に変わる。ロボットが増えるほど経験の蓄積が速くなり、能力の向上も速くなり、「人手不足」というボトルネックは「ロボットが増えるほど強くなる」というスケールの優位性へと変わるのである。
さらに貴重なのは、今回の連携そのものが産学協働の best な注釈となっている点だ。清華大学は学術の最前線に立ち、無問芯穹はAIインフラをリードする企業であり、智元はロボット本体と実際の現場を有する——三者がそれぞれの持ち味を出し合い、「論文の中の手法」から「生産現場での能力」への間で最も歩みにくい一歩を埋め、最先端アルゴリズムが論文の中にとどまらず、そのまま現実世界へと駆け込んだ。
そして今回検証されたのは、単なる一つのアルゴリズムではなく、完全な一連のパイプラインである。実際の現場が経験を生み出し、群衆学習が能力を蓄積し、大規模展開がさらなる現場へと還元される。このパイプラインが一度軌道に乗れば、他の企業や他の現場も直接参照でき、身体性知的產業（エンボディドAI産業）全体の成長経路は、これまでよりはるかに明確になるだろう。
突き詰めれば、ロボットが単独で作業する実行ユニットではなく、互いに学び合い、共に進歩する集団となれるとき、大規模展開は単なる能力応用の終着点ではなく、能力が継続的に進化する出発点ともなり得る。これはロボットの学習方法の転換であるだけでなく、身体性AI（エンボディドインテリジェンス）が技術検証から産業実装へと進む真の突破口でもある。
本稿は無問芯穹の提供により、量子位が許諾を得て転載したものであり、見解は原著者に帰属する。