エンティティAI業界は、ますます現実的な方向へと向かっている。 歩行、ジェスチャー、または入念に準備されたデモンストレーションを行えるロボットは注目を集めることができる。しかし、より難しいのは、レストラン、ホテル、工場、倉庫、ショッピングモール、その他の予測不可能な環境で、何ヶ月...
エンティティAI業界は、ますます現実的な方向へと向かっている。
歩行、ジェスチャー、または入念に準備されたデモンストレーションを行えるロボットは注目を集めることができる。しかし、より難しいのは、レストラン、ホテル、工場、倉庫、ショッピングモール、その他の予測不可能な環境で、何ヶ月も継続的に稼働し、その過程で能力を進化させ続けられるかどうかである。
Pudu Roboticsは、WAIC 2026において、シンプルな戦略的コンセプトに基づき、自らの答えを提示した。
ロボット工学の次の段階は、ロボットの身体によってではなく、実際の展開から学習し、その経験を多様な形態に伝達できるインテリジェントシステムによって決定される。
同社はこのアーキテクチャを 「一脳多形」 と称している。
その基盤モデル層である PuduFM 1.0 は、ロボットが物理的な結果を推論し、ナビゲーションと操作を接続し、シミュレーションと実際のフィードバックを組み合わせた方法で学習するのを支援するために設計されている。
そのエージェントプラットフォームである PuduAgent は、計画、記憶、実行、再利用可能なスキル、および安全制御を、異なるロボット形態を調整できる単一のシステムに統合する。
WAICでは、産業用半人型ロボット PUDU D7 が、この戦略を示す最も注目すべきハードウェア例の1つとなった。
Pudu Roboticsは、商業用サービスロボットの大規模な導入実績を携えてWAICに臨んだ。
同社によると、Frost & Sullivanの独立系市場調査では、Pudu Roboticsは以下の4カテゴリーで第1位にランク付けされている。
また、Pudu Roboticsは、世界で 13万台以上 のロボットを出荷したと報告している。公式資料によると、展開は80以上の国と地域をカバーしており、WAICの講演では85の国と地域をカバーしていると述べられている。
これらのロボットが稼働する分野は以下の通りである。
この規模の展開は商業的に意義深いが、Pudu RoboticsのエンティティAIに関する主張はさらに一歩進んでいる。
実際の場所で稼働するすべてのロボットは、実験室で完全に再現することが難しい物理的な変化に遭遇する。
エンティティAI企業にとって、これらの
インタラクションプロセスは訓練用の素材となり得る。
したがって、次の段階の競争優位性は、ハードウェアの展開と、運用経験を再利用可能なインテリジェンスに変換できるシステムを組み合わせることにあると言える。
言語モデルは、大量のテキスト、コード、画像、動画から学習できる。ロボットは異なるデータ問題に直面している。
ロボットは物体が何であるかを理解するだけでなく、以下のことを把握しなければならない。
これらの能力は、限られた数の入念に構成されたデモンストレーションから習得することは難しい。
ロボットは実際の作業から経験を得る必要があるが、実際の作業に投入されるためには一定の成熟度が必要であり、その成熟度自体が実際のデータなしでは達成が難しい。
これは典型的な「鶏が先か、卵が先か」という問題を生み出す。
大規模な展開がなければ、企業は多様な物理世界データを欠くことになる。多様な物理世界データがなければ、ロボットを大規模展開に十分なレベルに引き上げることは非常に困難である。
商業用サービスロボットは、この循環を打破する手段を提供する。
Pudu Roboticsは、長年にわたり配送、清掃、産業用ロボットを一般的な商業環境に展開してきた。これらのシステムは当初、汎用の具現化エージェントではなかったが、その展開により、操作シグナルを収集するための大規模なチャネルが創出された。
Pudu Roboticsによると、同社のロボット艦隊は現在、年間以下のデータを生成している。
| データタイプ | 同社が報告する年間データ量 |
|---|---|
| 現実世界のナビゲーションデータ | 3650万時間 |
| 現実世界の操作データ | 1580万時間 |
同社は、操作データは通常の稼働時間中に「非侵入型データ収集」モードで収集されていると述べている。
その価値は時間数だけではない。これらの素材の大部分はロボット自身の視点からのものであり、実際の深度、スケール、動き、照明、およびインタラクション条件を含んでいる可能性がある。
この一人称視点での物理環境は、インターネット上の動画だけでは代替しがたいものである。
Pudu Roboticsの長期的なモデルは、データフライホイールとして説明できる。
これは、ロボットを完成品のデバイスと見なす従来のモデルとは異なる。
従来のモデルでは、企業は固定された機能セットを持つハードウェアを販売する。タスクが完了するたびに、
顧客にとっての価値が生み出されるが、経験はそのデバイスとその設置環境に限定される可能性がある。
エンティティエージェントモデルでは、個々のタスクもより広範な学習システムに貢献する。倉庫でのナビゲーションミス、ショッピングモールでの複雑な清掃状況、または産業シーンでの操作修正は、ロボットクラスター全体の将来の行動パフォーマンスを最適化するのに役立つ可能性がある。
このプロセスは自動的には発生しない。
生のログは、有効なモデルコンテキストとはならない。データは以下の処理を経る必要がある。
大規模なロボットクラスターは、データの堀を構築する機会を生み出す。そして、データパイプラインの品質が、この機会を真の能力上の優位性に変換できるかどうかを決定する。
物理世界におけるエラーの代償は高い。
言語モデルは誤ったパラグラフを生成してすぐに再試行できるが、ロボットの失敗した操作は時間を消費し、機器を損傷し、ビジネスプロセスを中断させ、さらには安全上のリスクをもたらす可能性がある。
したがって、現実世界での訓練は、制約のない試行錯誤によって拡大することはできない。
Pudu Roboticsの解決策は、仮想と現実を融合した二重空間進化フライホイールである。
高忠実度世界シミュレーターにより、システムは現実の人間や機器を毎回の失敗に晒すことなく、膨大な軌道の生成とテストが可能となる。
シミュレーターは以下を生成可能：
普渡科技は、拡散トランスフォーマーアーキテクチャを用いてシミュレーション環境内で多様な軌道を生成していると述べている。
現実環境には、シミュレーションでは完全に再現できない詳細が存在する。
人機インタラクションによるフィードバックを通じて、以下を記録可能：
二つのループは異なる目的に資する。
この手法の有効性は、シミュレーションの忠実度と、仮想システムと物理システム間の移行の質に依存する。シミュレーションで成功したモデルであっても、センサーノイズ、機械的摩耗、不完全な形状、遅延、またはモデル化されていない人間の行動により、現実世界では失敗する可能性がある。
歴史的に、異なる形態のロボットは、多くの場合、独立したシステムとして開発されてきた。
配送ロボット、清掃機器、産業用移動シャーシ、ロボットアーム、人型ロボット、四脚ロボットは、異なるセンサー、関節、制御周波数、ペイロード、操作制約を使用する可能性がある。
これは非効率なパターンをもたらした。
一つの環境、一つのトレーニングフロー。
ハードウェアに変更が生じると、多くの作業をやり直す必要が生じる。
チームは環境を再構築し、デモンストレーションデータを記録し、専用ポリシーを訓練し、新しい統合ロジックを記述しなければならない。一つのロボット用に収集されたデータは、別のロボットで再利用するのが難しい。
普渡科技が提唱する「一脳多形」戦略は、このパターンを超越しようと試みる。
目標は、各ロボットの外観を同一にすることではなく、共通の物理的概念を理解する共有インテリジェンス層を構築しつつ、各ロボットのハードウェア専用コントローラーがそれぞれの関節、センサー、制約を処理できるようにすることである。
（ここに画像説明：普渡ロボット「一脳多形」産業パラダイムの発展過程を示す。左側は技術層の発展で、専用制御システム、単機知能システム、大モデル強化知能から統一知能基盤へ。右側は形態層の発展で、単一自動化機器、シナリオ別サービスロボット、複合能力ロボットから多形態協調ロボットへ。下部は「一脳多形」を「一つの知能基盤＋複数のロボット形態」と総括し、技術は統一知能頭脳へ、形態は多様化本体へ向かい、両者の結合がロボットを「一機一脳」から「一脳多形」へと押し上げ、知能能力のロボット間再利用、シナリオ間移行などを実現する。）
共有される概念には以下が含まれる可能性がある。
このアーキテクチャが期待通りに動作すれば、あるロボット形態で学習された経験が、別の形態の適応プロセスを短縮できる。
普渡科技によれば、自社の世界モデルトレーニングと少量の実データ補正により、新しいタスクはわずか約 50回の専門家によるデモンストレーションで適応可能となる。これは同社が公表したデータであり、具体的な効果はタスク、ロボット形態、導入環境に応じて評価する必要がある。
より核心的な点は、固定された動作シーケンスを記憶することから、再利用可能な物理的関係を学習することへの移行にある。
PuduFM 1.0 は、この戦略を支える基盤モデル層である。
普渡はこれを、継続的に進化する具身知能モデルとして位置付けており、三つの主要な問題の解決を目指す。
このアーキテクチャは、三つの中核技術要素を中心に構成される。
物理直感モデル（PIM）は、ロボットが行動前に起こり得る結果を予測するのを支援することを目的とする。
人間は常にこのような予測を行っている。
濡れたグラスを持つとき、人は無意識により慎重な把持方法を取る。高い物体を運ぶとき、人はバランスを考慮する。滑りやすい床を歩くとき、人は速度と力を調整する。
従来の認識システムは、グラスや床を認識できても、物理的結果のモデル化は依然として欠けている。
普渡によれば、PIMは因果注意トランスフォーマーアーキテクチャを採用し、潜在空間内で物体の動きと物理的相互作用をモデル化する。
高密度のピクセル予測に集中するのではなく、以下の力学要素の表現を試みる。
実行前に、ロボットの現在位置、姿勢、および提案された動作が評価可能となる。
実用的には、PIMは物体を見ることはできても、自身が計画した動作が物体にどのような影響を与えるかを理解できないロボット問題を解決することを目指す。
第二の要素は、マルチモーダルな視覚-言語-行動システムである。
多くの初期のロボットアーキテクチャは、以下の機能を分離していた。
その結果、タスクはモジュール間で実行に失敗する可能性があった。
ロボットが指示を理解し正しい位置に到達しても、その理解を安定した操作シーケンスに変換できないことがある。
普渡ロボットのVLA層は、言語、視覚、運動、操作を統一された表現の中に置くことを目的とする。
その後、PIMの物理予測能力が動作フローに統合される。
結果として得られる実行シーケンスは、概念的に以下のようになる。
この組み合わせアプローチは、「現場に到着すること」と「タスクを完了すること」の間のギャップを縮小することを目的とする。
第三の要素は、学習ループの仮想側を駆動する世界シミュレーターである。
普渡によれば、このシミュレーターは多数の商業環境で収集された運用データを利用して構築されている。
標準的な軌道と敵対的な軌道の両方を生成でき、現実世界では収集コストが高かったり、非常に稀であったり、安全上のリスクがあったりする例を創出する。
世界モデルは、大量の制御可能な物理シナリオを提供することで、PIMとVLAを支援する。
プロセス全体は以下のように要約できる。
| 段階 | 目的 |
|---|---|
| 事前学習 | 広範な視覚、言語、動画、物理常識を構築 |
| シミュレーション強化学習 | 仮想環境内で意思決定と行動を大規模に練習 |
| 実世界微調整 | 物理的展開と人間のフィードバックを通じてモデルを修正 |
このシステムは、単純な「最初にシミュレーション、その後展開」ではない。
普渡はこれを継続的なサイクルとして説明する。現実データがシミュレーション環境を改善し、シミュレーション環境がモデルを次の物理的タスクセットに備えさせる。
普渡D7は、2026年世界人工知能大会で初めてオフラインで公開された。
普渡はD7を、製造、小売、物流などの環境向けの産業用半人型ロボットとして位置付ける。
その車輪式下半身は、安定した効率的な移動を実現するように設計されており、上半身は操作用の両腕を提供する。
この形態は、実用的な妥協点を体現している。
階段の昇降や人間に近い移動能力が必要なシナリオでは、フルサイズの二足歩行人型ロボットが適している可能性があるが、倉庫、店舗、工場で一般的な平坦な床では、車輪式の方が優れた効率と安定性を提供できる。
普渡が2026年世界人工知能大会で公開した資料によると、D7は最大14kgのペイロードをサポートし、長時間の産業運用向けに設計されている。
D7の戦略的重要性は、その本体だけにあるわけではない。
それは、同じ普渡FMおよび普渡Agentインテリジェントスタックを共有できる複数の具身形態の一つとして提示されている。
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
無料登録で完全なプロジェクトを 1 つ生成
1 つの完全な生成フローを試し、最初のプロジェクトのドラフトをすぐに確認するのに最適です。
これにより、D7は経験の移行可能性を検証する試金石となる。
普渡の既存のサービス、清掃、産業用ロボットシリーズにおいて、その能力をより汎用的なオペレーティングシステムへと拡張する。
ロボット基盤モデルは、複数の機種をサポートできれば、その価値はより顕著になる。
普渡の製品ラインは四大カテゴリーをカバーする。
これらのカテゴリーには、専用移動ロボット、半人型ロボット、人型ロボット、四脚システムが含まれる。
「一脳多形」アーキテクチャは、システムを三つの層に分割する。
物理知能体 = 具身形態 + システム + スキル
具身形態とは、物理的な実体ロボットのことである。
センサー
車輪式または脚式構造
ロボットアーム
関節
可搬重量
バッテリー
エンドエフェクタ
機械的安全リミット
異なる形態は、異なるタスクに合わせて最適化される。
システムはロボットの継続的な運用を調整する役割を担う：
プードゥはこの役割をプードゥエージェント統括プラットフォームに与えている。
スキルは再利用可能な能力モジュールであり、例えば以下のようなものがある：
プードゥ基礎モデルはこれらの能力に共有の物理的知能基盤を提供し、プードゥエージェント統括プラットフォームはそれらを運用可能なワークフローに変換する。
プードゥ基礎モデルが共有の物理的脳であるとすれば、プードゥエージェント統括プラットフォームはその応用方法を管理する階層である。
プードゥはプードゥエージェント統括プラットフォームを、物理世界向けの汎用具身エージェントプラットフォームと定義している。
これは三大中核部分から構成される：
（画像：WAIC 2026展示会におけるプードゥロボットのブース。男性が来場者に「一脳多形」物理エージェント技術コンセプトを説明している。背景の大画面にはPuduAgent OS、PuduFM、PuduAgent Skills、PuduAgent Safetyなどの技術アーキテクチャが表示されている。モダンなブースで、複数のディスプレイと展示台があり、スタッフと来場者がいる。この画像は、文書内でPuduAgent技術アーキテクチャを紹介する内容に対応し、関連する技術コンセプトを視覚的に示している。）
オペレーティングシステム層は三つの中核コンポーネントを含む。
エージェントコアは、現在の環境とタスクを解釈し、ロボットの行動計画を立案する。
その責務は以下の通り：
エージェントメモリは、タスク実行中の有効な情報を記録する。
物理ロボットにとって、記憶はテキスト保存にとどまらない。
以下のものを保持する必要がある：
永続的な記憶は、ロボットが同じ過ちを繰り返すのを防ぎ、長時間の運用において目標指向を維持するのに役立つ。
ランナーは、高レベルの決定をリアルタイム実行に変換する責任を負う。
計画は比較的抽象的なレベルで行うことができるが、モーターとセンサーは継続的な動作を必要とし、低遅延の制御が求められる。
エグゼキュータは、計画層とロボット固有のハードウェア実行システムとの間の橋渡し役を務める。
PuduAgent スキルは、汎用能力を標準化されたライブラリに抽象化する。
この層がなければ、ロボットの形態ごとに、概念的には類似した機能を個別に実装する必要が生じる可能性がある。
標準化されたスキルは、ある動作の意図とインターフェースを記述しつつ、各エンティティが自身のハードウェアに応じて実行することを可能にする。
例としては以下のものがある：
これは、すべてのロボットが全く同じ統合された低レベルのコントローラを実行していることを意味するわけではない。
人型ロボットのアームと移動配送プラットフォームのロジックは依然として異なる。再利用可能な層は、タスク定義、計画インターフェース、安全契約、そして学習によって得られた物理的経験である。
ロボットの稼働時間が長くなり、直接的な監督が減るにつれて、安全性はより重要になる。
動作を実行する前に、システムは以下の判断を下す必要があるかもしれない：
PuduAgent セキュリティは、潜在的なリスクを予測し、必要に応じて動作を調整または阻止するためのガードレール層として機能する。
これは商用展開において極めて重要である。
ロボットは、一度の印象的なデモンストレーションを成功させただけで価値を生み出すわけではない。その価値は、故障率、人的介入、安全事故を許容範囲内に抑えつつ、反復作業を確実に実行することにある。
一見すると、ロボット市場はハードウェア間の競争のように見える：
これらの要素は依然として重要である。
しかし、WAICでプードゥが伝えたメッセージは、次の段階の競争には、さらに4つの目に見えにくい資産が関わることを示唆している。
大規模なロボットを持つ企業は、より広範な環境とエッジケースを観察することができる。
非構造化ログは自動的にモデルを改善するわけではない。データ品質、プライバシー、アノテーション、評価が、経験が有用かどうかを決定する。
ある身体やタスクでの経験が、別の身体やタスクの作業を軽減できる場合、学習システムはよりスケーラブルになる。
基礎モデルだけでは十分ではない。ロボットには、記憶、実行、スキル、安全性、スケジューリング、運用保守の制御が必要である。
これらの層を効果的に統合できる企業は、おそらく各展開を次世代製品へのインプットに変えることができるだろう。
プードゥのビジネスモデルは、大規模な商業展開と新たな資金調達によって強力に支えられている。
2026年4月、同社は約1.5億米ドルの資金調達を発表し、評価額は15億米ドルを超え、累計調達額は3億米ドルを超えた。
当時、フロスト＆サリバンの以前の報告書によれば、プードゥテクノロジーはすでに12万台以上のロボットを納入し、世界の商業用サービスロボット市場の23%のシェアを占めていた。
プードゥFMとWAIC展示会の期間中、同社は納入台数が13万台を突破したと発表した。
この資金は、以下の分野の研究開発を支えることができる：
資金規模と出荷台数は、汎用物理エージェントアーキテクチャの成功を保証するものではないが、
しかし、それらは確かにプードゥに二つの中核的リソースを与えている。すなわち、巨大な導入ベースと、そこから学習するために必要なシステム投資能力である。
「一脳多形」の技術的方向性は刺激的だが、依然として複数の重要な課題を克服する必要がある。
清掃ロボットの学習成果は、共有のナビゲーションや障害物認識能力を最適化するかもしれないが、人型ロボットアームに変形可能な物体の操作を直接教えることはできないかもしれない。
経験転移の質は、スキルの種類、アプリケーションシナリオ、身体の形態に応じて個別に評価する必要がある。
大規模なロボット群は、大量の反復的でノイズが多く、不完全または偏ったデータを生成する。
データ品質の重要な指標は、総時間ではなく、その時間から検証済みで多様なトレーニング信号がどれだけ得られるかにある。
公共および商業環境で稼働するロボットは、機密性の高い視覚的、空間的、または操作上の情報を収集する可能性がある。
データガバナンスは、承認、保存期間、アクセス制御、匿名化処理、地域規制への準拠、サイバーセキュリティ対策を網羅する必要がある。
世界モデルはトレーニング範囲を拡大できるが、シミュレーションと現実の間のギャップは依然としてロボット分野の中核的な課題である。
すべてのモデルは、実際の運用条件下で実機ハードウェアによって検証されなければならない。
ロボットが実行するタスクの複雑さと期間が増大するにつれて、潜在的な故障経路は指数関数的に増加する。
安全システムは、モデル層の推論のみに依存するのではなく、確定的制御、ハードウェア保護、リアルタイム監視、障害ロールバック、人間による介入メカニズムを確立する必要がある。
顧客が最終的に重視するのは、全体的な運用価値である：
技術的に先進的なロボットは、実際のタスクにおいて、単純な自動化ソリューションよりも優れた経済性を示さなければならない。
ロボットが大規模に作業を行うようになると、最も価値のあるアウトプットは、完了した配送オーダーの数、清掃ルート、運搬タスクではないかもしれない。
これらのタスクが生み出す再利用可能な物理的経験こそが重要である。
普渡戦略は四層連動体制を構築している：
このアーキテクチャは「クラウド・エッジ・エンド」の協調メカニズムを通じて、ロボット群知能の持続的な進化を実現する。
PUDU D7はこの戦略をより汎用的な産業用ロボット形態に統合するが、その最大の賭けはアーキテクチャレベルにある。
普渡は製品ポートフォリオを学習エコシステムへと転換しようとしている。
長期的な競争は、最も驚くべき単独動作を実行するロボットではなく、どれだけ多くの価値ある物理的相互作用から安全に学習し、その学習結果をロボット間で移行し、実際の環境で信頼性の高い経済的価値を提供できるシステムによって決まるだろう。
PuduFM 1.0は普渡ロボットの具身知能基盤モデルである。物理直感モデル、マルチモーダルな視覚・言語・動作調整システム、そしてシミュレーションから現実へのトレーニングクローズドループを融合し、異なる形態のロボットのナビゲーション、操作、物理的推論をサポートする。
PuduAgentは、普渡が物理世界でロボットを操作するための汎用具身知能エージェントプラットフォームであり、計画、記憶、実行の操作層、再利用可能なスキルライブラリ、そして安全制御モジュールを含む。
これは、複数種類のロボットが完全に独立したシステムとして開発されるのではなく、統一された知能基盤を共有することを意味する。各ハードウェアはハードウェア固有の制御を保持するが、より高度な物理理解、計画、記憶、スキルは再利用可能である。
普渡は世界に13万台以上のロボットを納入したと発表している。公式資料によると、サービス範囲は80以上の国と地域に及び、WAIC 2026のスピーチでは85以上の国と地域をカバーしていると述べている。
PUDU D7は、車輪式移動ベースと両腕を備えた産業用半人型ロボットである。普渡は、産業、小売、物流タスク向けに位置づけ、PuduFMおよびPuduAgentアーキテクチャのハードウェアキャリアの一つとしている。
物理直感モデル（PIM）は、ロボットが実行しようとする動作の物理的結果を予測することを目的とする。普渡によると、このモデルは実行前に潜在空間において、運動、摩擦、変形、バランス、衝突リスクなどの動的特性をシミュレートする。
シミュレーションシステムは、現実の機器や人員を繰り返し危険にさらすことなく、大量の通常および対抗的な軌跡を生成できる。一方、現実の操作は実際のフィードバックを提供し、シミュレータのキャリブレーションとモデルの修正に役立つ。
普渡は、フロスト＆サリバンの市場調査レポートを引用し、複数の商業サービスロボットカテゴリーで第一位であるとしている。本記事は上記のランキングを引用研究の結論としてのみ提示しており、完全な市場データセットの独立した再検証は行っていない。
普渡オープンプラットフォーム：普渡ロボットをアプリケーションやビジネスシステムと統合するための公式開発者プラットフォーム。
[普渡ロボットテクニカルサポート]
アカデミー：公式マニュアル、導入情報、製品サポートリソース。
PuduFM 1.0：普渡が複数のロボット形態向けに開発した物理直感駆動型基盤モデル。
PuduAgent：普渡の具身知能エージェントプラットフォーム。計画、記憶、実行、再利用可能スキル、安全機能を網羅。
PUDU D7 と WAIC 2026：半人型ロボットに関する公式情報と、普渡の具身AI技術スタックにおける役割。
普渡ロボット製品ポートフォリオ：配送、清掃、産業、具身AIロボットに関する公式情報。
WAIC 2026で普渡ロボットが示した戦略は、単一のロボット製品そのものを超えている。配備された商業ロボット艦隊は現実世界の経験を提供し、シミュレーションシステムはトレーニングシーンの量と多様性を増加させる。
PuduFM 1.0は、異なるロボット形態に共有の物理的推論能力を提供することを目指している。PuduAgentは計画、記憶、実行、再利用可能スキル、安全制御機能を追加する。PUDU D7は、この技術スタックを半人型産業プラットフォームにどのように適用できるかを示している。
この戦略は依然としてデータ品質、クロスフォーム移行、シミュレーションの忠実度、プライバシーセキュリティ、ビジネスリターンなどの課題に直面しているが、その中核的な考え方は明確に示されている。
次世代ロボットの競争優位性は、おそらくより強力な機械を創造することだけでなく、稼働中のすべてのロボットから継続的に学習できる共有知能システムを構築することにあるのかもしれない。
ひとことから始めて、数分で完全なサイトを手に入れましょう。
