この記事のポイント
- Skild AIのS1は動画1本を手本に複数手順の作業を行うロボット基盤モデルです。
- 新しい作業の成功率66%対9%は、Skild AIの特定テストでの結果です。
- Foxconnの組み立て工程でも導入が進みますが、別の現場での安全性や精度は個別検証が必要です。
NVIDIAの公式ブログから、動画を作業の手本にする実証を紹介します。学習の方法と、評価された対象動作を整理します。
動画を手本に作業を覚えるS1、評価値は特定テストの結果
NVIDIAが2026年9月10日に紹介したのは、Skild AIのロボット基盤モデル「S1」です。作業者が手本の動画を見せると、S1は追加学習なしで内容を解釈し、ロボットの動きに変換します。この方式は、動画を入力例として使う「インコンテキスト学習」です。
Skild AIのテストでは、新しい複数手順の課題でS1は各手順を約66%の割合で成功させ、比較対象は9%でした。この数字は同社のテスト条件での結果で、他の工程で同じ成功率になることを示すものではありません。
導入現場と、それを支えるNVIDIAの技術群
公式ブログでは、製造業、物流、検査、セキュリティ、食品調理など幅広い産業での展開が進んでいると紹介されています。具体的な導入例として挙げられているのが、NVIDIA・Skild AI・Foxconn(鴻海)の3社による協業で、NVIDIA Blackwellシステムの高精度な組み立て工程において、双腕マニピュレータ(2本のアームを持つロボット)にこの技術を導入しています。この適用例だけから、別の作業条件での信頼性や安全性は判断できません。この仕組みを支える技術基盤として、動画データを多様化する「NVIDIA Cosmos」、シミュレーション環境の「Isaac Sim / Isaac Lab」、仮想環境でのデータ生成・テストを行う「Omniverse」、推論処理を最適化する「TensorRT」、物理的な挙動をモデリングする「Newton物理エンジン」が挙げられています。動画からロボットの動きへの変換という一見シンプルなアイデアの裏側には、こうした複数の技術の積み重ねがあります。
出典・参考資料：NVIDIA公式ブログの発表内容。
まとめ:現場ごとに安全性と失敗時の対応を確かめる
作業ロボットを検討する方は、導入予定の設備や作業環境で再現性を試すとよいでしょう。動画の撮り方、失敗時に人が介入する条件、安全確認をそろえて評価すると、既存の自動化手段と比較できます。
ロボットの”世界モデル”をめぐる動きとしては、AMDによるWorld Labsの買収という大型M&Aも進んでいます。
階層的に計画を扱う世界モデルの研究としては、LeCunらが関わる「H-JEPA」を解説した記事も参考になります。
