ロボットに「ラップトップにコーヒーをこぼさないで」と言えば、今日の機械はまさにそれを実行し、それ以上のことは行いません。ラップトップの隣にある電話?テーブルの反対側でタブレットが充電中ですか？一つ一つを詳しく説明するまで、ロボットのレーダーを無視して、面倒な修正を繰り返します。

MIT とニューヨーク大学の研究者による新しいプラットフォームは、そのギャップを埋めることを目指しています。 MITニュースによると、FLEXと呼ばれるこのシステムにより、動作計画ロボットは人間の明示的な指示に従うことができると同時に、ロボットからより広範な一般化を引き出してパフォーマンスを向上させることができるという。チームは今月開催される年次ロボット学習会議（CoRL）でこの研究成果を発表する予定だ。 この件の詳細は、AIニュースをご覧ください。

「LLM はインターネットから非常に多くのテキストを見てきました」と、MIT のコンピューターサイエンスおよび人工知能研究所 (CSAIL) の博士研究員で研究著者でもあるネイサン・デンラー氏は述べています。 「人々は『携帯電話を水に落としてしまったので動かなくなった』とか、『コンピューターにコーヒーをこぼしてしまったので動かなくなってしまった』などと書いたかもしれません。したがって、LLM は、液体とデバイスが機能しなくなるという考えを受け入れます。」

1 つの警告からルールブック全体まで

MIT News が解説したあるデモンストレーション シナリオでは、ロボット アームが乱雑なテーブルの上でコーヒー カップを運ぶのを見た人が、「ラップトップにこぼさないでください!」という 1 つのコマンドを入力します。従来のロボットはラップトップを回避リストに追加し、その経路を再計画します。 FLEX はさらに進んでいます。ロボットはラップトップが重要である理由を推論し、ユーザーが言及したことのない電話など、近くの電子機器を避けるように軌道を調整します。

「あなたの言う言葉の背後には、より高いレベルの意図があるという考えです」とデンラー氏は言う。 「人々はこれを自然に理解します。しかし、それをロボットに注意深く説明する必要があり、時間と労力がかかります。FLEX は、『人がこれを言うとき、彼らはそれを意味する』とロボットとコミュニケーションするためのインターフェースを提供します。」

この研究を主導したのは、MIT の航空学および宇宙飛行学の助教授であり、協調学習と自律研究 (CLEAR) 研究所の責任者であるアンドレア・ボブ氏です。共著者には、2026 年に MIT で SM を修了したオードリー・リー氏とニューヨーク大学のイリア・スチョルツキー氏が含まれます。

FLEX の仕組み: 追加、一般化、マスク

FLEX は 3 ステップのパイプラインとして動作し、約 5 秒で実行されます。

ステップ 1: 追加

ユーザーが自然言語の修正を発行すると、ロボットは、タスクにとって重要なことの実行中のリストに関連する機能を追加します。誰かが「私のマグカップに落とさないでください！」と言ったら、ロボットがボウリングのボールを運んでいる間、マグカップは回避リストに加わり、ロボットはその軌道を更新します。このステップは、これまでの方法が常にどのように機能してきたかを反映しており、問題はここから始まります。

「この問題は、機能リストが非常に長くなり、環境が変化した可能性があるために一部の機能が関連しなくなったときに発生します」とデンラー氏は MIT ニュースに語った。すべての物体を個別に避けるように指示されたロボットは、修正と計画の実行が遅くなり、列挙する負担が人間にかかってきます。

ステップ 2: 一般化する

これが FLEX の中心的な貢献です。チームの実装では、大規模な言語モデル (GPT-4o) が蓄積された機能リストを調べ、項目間のパターンを検索します。マグカップやその人がフラグを立てたその他の壊れやすい物体に直面したとき、LLM は一般的な分類を推測します。それは、言及されていないものであっても、壊れやすいものは避けるということです。モデルは人間のテキストの膨大なライブラリでトレーニングされたため、日常の常識の多くがプリインストールされています。

「LLMは、あらゆる種類の人や場所からのインターネット上の非常に多くのテキストを見てきました」とデンラー氏は言う。 「彼らはこれらのことについて非常に多くのトレーニングを行ってきたため、その常識の一部が LLM に吸収されます。」

ステップ 3: マスク

実際の環境は変化し、古いルールによって不安定な動作が発生します。 FLEX の 3 番目のステップでは、ロボットの標準コンピュータ ビジョン システムを使用して、どのフラグが設定されたオブジェクトが存在しなくなったかを判断し、機能リストからそれらのエントリを削除します。これにより、人間の介入なしにロボットの制約が最新の状態に保たれます。

コーヒー、キャンドル、ボウリングボールのシミュレーションでテスト済み

チームは、一杯のコーヒーを提供する、キャンドルを動かす、ボウリングのボールを運ぶという 3 つのタスクを実行するロボット アームのシミュレーションで FLEX を評価しました。ボランティアたちは、「ラップトップにこぼさないで」「紙の山から離れて」「マグカップの上に落とさないで」などの自然言語コマンドを入力して、仮想ロボットと対話した。

3 つのシナリオすべてで、ロボットはそれぞれのコマンドに文字通り従いましたが、同時により高いレベルでの推論も行いました。ラップトップについて警告された場合は電子機器を避け、ろうそくに注意するように言われた場合は可燃物を避け、マグカップ 1 個の警告の後はすべての壊れやすい物品を落下禁止区域として扱いました。

家庭用ロボットにとって常識がボトルネックになる理由

この研究は、消費者向けロボット工学における永続的な障害を対象としています。つまり、家庭内で何が重要かをすでに知っているロボットを出荷する人は誰もいません。物理学に基づいた軌道計画は正確ですが不透明であり、ユーザーが数学的なコスト関数を操作することを期待するのは不得手です。

「ロボットは数学を使って軌道計画を立てます。しかし、消費者がロボットに何をすべきかを指示するためにこの数学を学ぶことを期待することはできません」とデンラー氏は述べた。 「人々にロボットの使い方を特定の方法で学ばせるのではなく、自然言語を通じてロボットと対話することが目標です。」

ロボット工学研究の大きな流れでは、すでに言語をロボットの学習に織り込んでおり、タスクの目標を明確にし、軌道を変更し、安全な経路を定義しています。しかし、MIT Newsは、こうした既存の手法では主にロボットにタスクの物理的な実行方法を伝えるために言語を使用していると指摘している。ボブ氏のグループは、少数の何気ないコマンドから、人の根底にある不特定の好みを抽出するという、別の領域に挑戦している。

ボブ氏はMITニュースに対し、「家は人それぞれ異なり、気にすることも人それぞれ異なるため、箱から出して自分にとって何が重要かを知ってくれるロボットなど存在しない」と語った。 「FLEX について私が興奮しているのは、ルールをすべて詳しく説明するように要求するのではなく、一文か二文からそれを見つけ出せることです。それが、人々が我慢しているロボットと、実際に家に置きたいロボットとの違いです。」

次に何が起こるか

この研究は、論文「適応ロボット行動のための柔軟な言語ガイドによる表現編集」で詳しく説明されており、MIT Generative AI Impact Consortium と MIT Schwarzman College of Computing の Computing の社会的および倫理的責任プログラムによって部分的に支援されました。

これまでに示された結果はシミュレーションであり、そのパフォーマンスを物理ハードウェアに変換することは、より混乱した知覚、より騒々しい言語、そして実際の結果を伴いながら、この分野の次のハードルとして残っています。しかし、方向性は明確です。ロボットが工場の檻からキッチンやオフィスに移動するにつれて、成功する機械は、私たちが言うことだけでなく、私たちが意味することを理解する機械になるかもしれません。

この記事は、2026 年 11 月 9 日に MIT ニュースに掲載されたジェニファー チューによるレポートに基づいています。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →