UBTECHのThinker-WM論文、映像・奥行き・行動を共通の世界モデルへ

映像が自然なだけでは、物を持つ動作は決まらない

論文は、RGB画像、距離を表す奥行き、ロボットの行動を、共通の中間表現で処理する構成を提案しています。見た目と物の位置関係、動作を別々の仕組みだけで結ぶことに対し、共通の動的な表現を学ぶ点が研究の中心です。[1]

理解のために、机の上のカップを取る場面を考えます。画像の中にカップがあると分かること、どの程度の距離にあるかを捉えること、手をどこへ伸ばすかを決めることはつながっています。三つをどう結び付けるかが、ロボットに使う世界モデルの論点になります。

公式GitHubは、公開物を推論用リリースと説明し、チェックポイントを読み込んで六つのモードを動かす構成を案内しています。[2] モードの数は、ロボットが実行できる家事の種類の数ではありません。モデルに何を与え、何を出させるかという利用方法の区分です。

開発者が試す際は、コードがあるという点から一足飛びに機体の制御へ進むより、入出力の形式を確かめるところから始められます。自分のデータのカメラ、時刻、行動の表し方が、想定される形式とどう違うかを整理すると、試す範囲を決めやすくなります。

論文は複数の世界モデル評価で良い結果を報告しています。[1] ここで確認したのは研究チームが示した評価であり、本メディアによる再現実験ではありません。順位を見る際は、どの入力、出力、課題で測った結果なのかを原典へ戻って読む必要があります。

例えば、先の状態をうまく予測できることと、実機の腕が対象へ正確に届くことは別々に測れます。さらに、失敗から戻れるか、人が物を並べ直す時間が必要かも運用には関係します。研究の比較表から、工場や家庭の効果をそのまま逆算することはできません。

この研究は、中国企業の動きを人型機体の外観や歩行だけで追うと見えにくい開発領域を示します。データの表し方や、映像と行動を一緒に学ぶ仕組みも、ロボットを使うための技術として進められています。

編集部の見方（推測です）：見た目の予測と行動の学習を結び付ける設計が進むと、学習データを増やす方法や、失敗した条件を調べる方法にも選択肢が広がる可能性があります。続報では、研究上の指標だけでなく、対応機体や実際に任せた作業の追加も追いたいところです。

10月24日に新発売されたロボットですか？

ロボットの発売記事ではありません。10月13日公開の研究論文と、その公式推論コードを扱っています。

コードを入れるだけで手持ちの機体が動きますか？

機体の行動形式やセンサー、制御への接続が必要です。公開された推論コードと、個別機体への導入は分けて考えます。

公式公開資料を基に構成しています。メーカーが示す性能・実演は各社の発表であり、本メディアによる実機検証ではありません。価格・提供範囲は2026年10月24日の確認時点です。

AIを用いた調査・執筆と出典照合については編集方針をご覧ください。