ロボティクスにもスケーリング則があった、EgoScale の含意

2026年2月に公表されたEgoScaleという論文が、この年のモデル層における最も重要な発見と評されている。ロボティクス基盤モデルが、大規模言語モデルと同じデータ駆動のスケーリング則に従うという、初めての強い実証を与えたからだ。

何が示されたのか

方針の性能が、事前学習データの量に応じて予測可能に向上する。言語モデルで観測されてきた関係が、身体を持つモデルでも成立するという内容である。

これが重要なのは、研究の進め方が変わるからだ。スケーリング則が成り立つなら、賢い工夫を探すよりもデータを増やすほうが確実になる。

スケーリング則が成立しない場合	成立する場合
工夫の質で差が付く。小規模でも勝てる	データ量で差が付く。蓄積が有利
後発が追い付ける	先行者の優位が自己強化する

最も多くのデータを蓄積している企業が、自己強化的な優位を得る。言語モデルで起きたことが、ロボティクスでも起きるという予測になる。

スケーリング則の確認は、技術的な発見であると同時に、産業構造の予告でもある。

言語モデルのデータはインターネットにあった。身体データはそこにない。集め方としては、実機の稼働から集める、模擬環境で合成する、人間の一人称視点動画から学ぶ、という三つの経路が並行して追われている。

NVIDIAが模擬データの追加で成功率を約40%改善したと報告している点、WholeBodyVLAが行動ラベルのない一人称動画から学ぶ設計を採っている点は、いずれもこの制約への回答である。

この構造は、実機を持ち現場で稼働させている事業者に有利に働く。製造、物流、建設、インフラ点検といった領域で日々発生している動作データが、そのまま資産になりうる。

ただしそれは、データを取得し保管し学習に使える形にしている場合に限られる。稼働しているだけでは蓄積にならない。ここが分岐点になる。

フィジカルAIの競争は、アルゴリズムの競争から、データを取れる現場を持っているかどうかの競争へ移りつつある。言語モデルで見た構図が、より物理的な形で繰り返されようとしている。

スケーリング則が成立するという結果は、研究の進め方を変える。工夫を探すより、データを増やすほうが確実に効く。予測可能に改善するという性質は、投資判断を可能にする。どれだけ集めればどこまで届くかが、事前に見積もれるからだ。

これは言語モデルで起きたことの繰り返しである。スケーリング則が確認されてから、競争は資本とデータの規模の勝負に移った。ロボティクスでも同じ移行が起きると予測される。

三行目に対する回答が、行動ラベルのない映像から潜在的な行動を学ぶWholeBodyVLAのような手法である。AgiBot X2でGR00Tを21.3%上回ったと報告されている。ラベル付けのコストを回避できるなら、活用できるデータの範囲が一気に広がる。

実機を持っていることは前提条件にすぎない。動作の記録が保存されておらず、成功と失敗の判定も残っていなければ、稼働は蓄積にならない。多くの現場が、この段階でつまずく可能性がある。

今から準備できることがあるとすれば、現場で発生している動作と結果を、後から学習に使える形で残し始めることだろう。どのモデルを使うかは後で決められるが、過去のデータは後から作れない。