シミュレーションで学べるかは
作業が決まっているかで分かれます

ロボットの学習量を見積もれずにいる方へ

現場にロボットを入れる話が動いていて、「シミュレーションで学習させます」という説明を受けている。あるいは、自社のデータをどれだけ集めれば足りるのか判断がつかない。そういう段階の方に向けて書いています。

この2週間で材料が2つ増えました。ただし、正反対のことを言っています。

同じ作業について反対の報告が出ました

一方は、World Labsが2026年7月28日に公開したブログです（Building Worlds That Train Robots）。7月21日にロボティクスとシミュレーションの会社SceniXを迎え、その技術をreal-to-sim-to-real（R2S2R）としてまとめたものです。主張はこうです。実世界の学習データを一切使わずにロボットの方策を学習させ、実機へそのまま移して動かせた。

もう一方は、産業オートメーション向けのインタビュー記事として2026年8月4日に公開されたものです（ロボット基盤モデルVLAを現場へ）。フィジカルAIのソフトウェア基盤を開発するMuso Actionの代表が答えています。こちらの主張は逆です。手先作業は物理シミュレーションだけでは再現しきれず、現場で取得した実データが要る。

同じ「ロボットに物を掴ませる」話です。**どちらかが間違っているのではありません。**読み進めると、条件が違うことが分かります。

実データゼロで1時間

World Labs側の中身から見ます。

公開されたのは、ケーブルの差し込みと引き抜き、冷蔵庫まわりの電源コードの取り回し、試験管の移し替え、密集した中からマーカーやペンを1本ずつ抜き出す作業などです。いずれも接触が続く作業で、変形するものも含まれます。

報告されている条件が2つあります。方策の学習に実世界のデータを使っていないこと。そして実機で1時間、人が介入せずに動き続けたことです。

評価の側にも数字が出ています。1つのチェックポイントにつき、シミュレーションで2,000回（学習時の配置から1,000回、外した配置から1,000回）、実機で100回（同じく50回ずつ）。

ただし、成功率そのものの数値は本文に出ていません。出ているのは試行数と、シミュレーションでの優劣が実機での優劣と一致したという主張です。ベンダー自身の発表で、査読を経たものではありません。ここは成功率を実機で公開した研究とは扱いを変えて読む必要があります。

「ゼロ」が指しているもの

ここが一番読み違えやすい箇所です。

World Labsの手順は、物理的な作業から始まります。ロボット、センサー、周囲の環境、対象物、そして作業の実演を計測して、それを対話できる仮想環境として組み直す。real-to-simとは、そういう意味です。

つまり**実世界のデータは取っています。**ゼロなのは、方策そのものを学習させるためのデータです。現物の計測は、学習データではなく環境を作るために使われている。

この違いは見積もりに直結します。「実データは要りません」ではなく、「環境を作るぶんの実測は要ります」が正確な読み方です。

現場からは逆の証言です

Muso Action側は、物流・製造・小売の現場でVLAを動かしています。学習データは主軸を実測に置き、背景の色や見え方をランダムに変えるといった水増しは行うものの、シミュレーションそのものは主軸にしていません。

理由が明快です。四足歩行や二足歩行のような移動動作は、床や環境条件が比較的単純なのでシミュレーションと相性がよい。一方で手先作業は物との接触をともなう「コンタクトリッチ」な作業で、掴む・押す・滑らせるといった動きは、現実のわずかな違いが結果を大きく変える。だから物理シミュレーションだけでは再現しきれない、と述べています。

蓄積しているデータは数百時間規模。透明な保護メガネや布のような柔らかいものを、あえて対象に選んでいるとも語られています。

分かれ目は接触ではありません

ここで注意が要ります。**接触が多いから解けない、という説明では両者の差を説明できません。**World Labsが公開したのも、ケーブルや変形物を扱う接触の多い作業だからです。

差は別のところにあります。World Labsは1つの実タスクを計測して作り込み、そこから見た目・配置・散らかり方・物理・視点を変えて数千の変種を作っています。タスクは最初から1つに決まっている。

対してMuso Actionが物流から始める理由は、倉庫に何万、何十万品種という商品があるからです。求められているのは、初めて見る対象にも対応できること。作り込むべきタスクが特定できません。

だから判断の分かれ目はこうなります。作業が1つに決まるならシミュレーションが効き、決まらないなら実機のデータが要ります。

速度と時間軸は別の制約です

もう1点、シミュレーションでは解けない話が出ています。

実機で動くVLAの作業速度は、人と比べて感覚として半分程度。製造ラインが要求する精度にはまだ届かず、そこへ到達するには5年ほどかかると見込まれています。だから物流から入る、という順序です。

速度と精度は、学習データを増やせば徐々に改善する種類の課題です。シミュレーションで評価を速く回せることと、ロボットが速く動けることは別の話で、前者が解けても後者は残ります。導入時期の見積もりは、後者の側で立てる必要があります。

何を決めるか

2つの報告は、対立しているように見えて、実は同じ境界線の両側にいます。作業が決まっていればシミュレーションで作り込める。決まっていなければ現物から集めるしかない。

自社の現場がどちらなのかは、技術を調べなくても分かります。そこで扱う物の種類が数えられるかどうかです。数えられるなら固定できます。数えきれないなら、記録の形を先に決めて、実データを貯め始めるほうが早い。

世界モデルという言葉が6種類の別物を指していることや、データを生成して補う解き方も、この境界線の上に並べると位置が分かります。現場をどれだけ管理できるかで実運用の到達率が変わるという調査結果とも、同じ方向を向いています。

自社の工程で何が固定できて何が固定できないのかを整理したい段階でしたら、お問い合わせからご相談ください。ロボットの選定ではなく、作業を数えるところから入ります。