ロボットに教える手段が
仕様書から動画に変わります

ロボット導入の提案を受けた方へ

製造や物流の現場にロボットを入れる検討をしていて、「どう教え込むのか」が引っかかっている方に向けて書いています。

結論から言うと、教える手段が変わりはじめています。書いて渡すのではなく、撮って渡す方向です。

動画1本で、10分の作業をこなします

米Skild AIが2026年8月18日、基盤モデルS1の結果を公開しました（Skild AI）。

特徴は、タスクの指定方法です。言語で「マグカップを取って」と書く代わりに、その作業をやっている動画を1本見せる。モデルの重みは更新しません。

公開された未学習タスクは4つです。植木の植え替え、パンケーキの調理、ハンドドリップのコーヒー、キットの組み立て。いずれも訓練データに含まれず、最大10分・数十工程にわたる作業を、1本の視覚デモだけで実行したとしています。

ここは同社の主張であり、内部評価であることを付けておきます。第三者による再現の報告は、現時点では見当たりません。

11分の内訳を見てください

読みどころは成功したことではなく、その日の時刻の記録です。植え替えタスクの実験について、こう公開されています。

デモから自律実行までが11分。ただし資材が届いてからの33分のうち、22分は家具を動かして場面を作る時間です。同社自身が「大半の時間は家具の移動と場面の設営に費やされた」と書いています。

教える時間が短くなると、現場を整える時間のほうが目立つようになります。ここは自動化されていません。

言語で9%、動画で66%

指示の与え方をどう比較したかも公開されています。

同一のデータ、同一のアーキテクチャ（プロンプトの埋め込み部分を除く）、同一の計算量で、動画で指示するモデルと言語で指示するモデルを、1千時間から10万時間まで規模を変えて訓練した統制実験です。

• 学習済みのタスクでは、1千時間の時点で言語指示が53%、動画指示が43%と、言語のほうが有利でした。規模を増やすと逆転します
• 未学習のタスクでは差が開きます。10万時間の時点で、言語指示は9%、動画指示は66%

同社の説明は素直です。言語は曖昧で、1つの指示に複数の正しい実行がありうる。動画は実行の仕方を1つに決めてしまう。そして「パンケーキをひっくり返す」のような未知の動作は、言語では動作に結びつく足場がない。

配置を変えた頑健性の比較も出ていて、片腕でやっていた動作の半分を反対の腕でやらざるを得ない配置にすると、言語指示のモデルは動画指示のモデルの最大3倍劣化したとされています。

デモの誤りは、そのまま真似されません

こちらは短く。

公開された例のひとつに、実演者が卵を早く落としてしまい散らかす場面があります。S1は同じ工程を、制御された動きで行いました。

同社はこれを「デモを再現すべき軌跡ではなく、目標の仕様として扱っている」と説明しています。撮った動画がそのまま正解になるわけではないという点は、運用で効いてきます。

変わるのは、撮る前に決めることです

発注側にとっての変化はここです。

作業動画は、撮ってしまえば手順書と同じ性質の資産になります。手順が変わったら撮り直す。撮り直したものが正になる。古いほうを消すのか残すのか。誰が見てよいのか。

この管理は、ロボットを買っても付いてきません。私たちがフィジカルAIで扱っているのも、本体ではなくこの上下の枠のほうです。

1ドルの収集に3ドルの品質管理

同社がデータについて書いている一文が印象に残ります。

データ収集に1ドル使うごとに、品質管理に3ドル使っている。事前学習に入る全データを、低レベルの精度・タスクの整合性・注釈の忠実さで選別しているとしています。

公開されたロボットデータの中身は映像だけではありませんでしたで書いたことと同じ方向です。持っているだけのデータは使えません。

提案を受けたときに確認すること

適応が速いことは、検証を省ける理由になりません

「どんなロボットでも動きます」と言われたときに確かめることは以前まとめました。今回の話も同じ線の上にあります。

11分で教えられるようになると、検証も11分でいいような気がしてきます。そこは別です。教える時間が短くなっただけで、その動作を本番の条件で確かめる工数は変わりません。

自社の作業をどう記録し、どこまでを機械に渡すかを整理する段階でしたら、お問い合わせからご相談ください。作業の切り出しと、記録の置き場所の設計からご一緒します。

出典

• Introducing S1: In-Context Learning for Robotics（Skild AI、2026年8月18日）