Metaのスマートグラスはロボット向けAIを訓練しているのか？

スマートグラスは、単純な消費者向けガジェットに見えるかもしれません。顔に付けたカメラ、耳元のスピーカー、そして見たものについての質問に答えられるAIアシスタント。しかし同じデバイスは、AIシステムがずっと欠いていたもの、つまり日常の人間生活を一人称視点で捉えた映像を与えることができます。

これが重要なのは、AIに文章を書かせたり画像を生成させたりすることを教えるのと、機械に物理的な世界を動き回ることを教えるのはまったく異なるからです。ロボットは、物がどこにあるのか、動かすと何が起きるのか、そして曲がる、割れる、こぼれる、形が変わる物に手がどう関わるのかを理解する必要があります。

Metaは、こうした情報を記録するウェアラブルデバイスの研究に長年取り組んできました。同社のRay-Ban Metaグラスはその技術の一部を消費者向け製品に搭載し、Metaが日常的な活動で生成されるデータにアクセスできるようにしています。

このグラスを72時間にわたって試し、一日を通してAI機能を使い、関連データを請求してみると、一人称視点の記録がなぜAIの訓練に役立つのか、そしてなぜプライバシーをテクノロジーそのものから切り離すのが難しくなるのかが少し見えてきました。

AIは実世界からどう学ぶのか

大規模言語モデルは、膨大な文章の集合から学習します。これは言語を中心に構築されたシステムではうまく機能しますが、テキストでは、キッチンを移動する、瓶を手に取る、卵を割る、鍵を見つけるといった人の行動を完全に説明することはできません。

人間は、長年にわたる感覚的な経験を通じてそうしたことを学びます。Metaの元チーフAIサイエンティストであるYann LeCun氏は、4歳までに子どもが見るデータは、最大級の言語モデルよりも50倍多いと主張しています。同氏のより広い主張は、機械が物理的な世界を理解しようとするなら、より豊かな感覚的入力が必要だというものです。

ロボットにとって、これは指示だけから学ぶのではないということを意味します。言葉で説明するのが難しいちょっとした違いも含め、人が実際に何をするのかというデータが必要です。たとえば、誰かが皿洗いをしている様子は平凡に見えるかもしれません。しかしその映像にラベルを付け、注釈を加えれば、物がどこにあるのか、手がどう動くのか、予期しないことが起きたときに何が起こるのかをAIシステムに示すことができます。

その種の訓練データを大規模に集めるのは困難です。ウェアラブルカメラは、作業を行う人と同じ視点で世界を捉えられるため、解決策の一つになり得ます。LeCun氏の主張を借りれば、「目が必要だ」ということです。

Metaがスマートグラスを使う理由

Metaは、Project Aria(新しいウィンドウ)を通じてこの問題に何年も取り組んできました。これは眼鏡の形状のウェアラブルコンピューターを中心にした研究プログラムです。研究用デバイスはカメラやその他のセンサーを使い、人が世界とどう関わるかを調べます。

Project Ariaはまた、研究用途と消費者用途でプライバシーに対する期待がどれほど異なり得るかも示しています。Metaが公開しているガイドラインによれば、研究参加者は適切な記録方法についての訓練を受け、プライベートな住宅にいる人は同意する必要があり、音声や映像が収集されているときは目に見えるライトで示されます。

消費者向けスマートグラスは、はるかに管理の行き届かない環境で使われます。街を歩く、買い物をする、コーヒーを入れる、家事をするといった場面で着用できます。これは一人称視点のデータの有用な源になります。同時に、着用者の周りの人が、カメラが作動していることを知らないまま録画に映り込む可能性があるということでもあります。

この違いが重要なのは、こうしたデータの価値がその日常性にあるからです。価値は、日常生活の細かな点を捉えるところにあります。

ロボットが学ぶ必要があること

研究者たちは、人間には簡単に見えるものの機械には難しいいくつかの問題に取り組んでいます。一つはエピソード記憶です。AIに鍵をどこに置いたか尋ねるのは簡単そうに聞こえますが、システムはその物体を認識し、最後にいつ見たのかを理解し、その時から今までの間に何が起きたかを追跡しなければなりません。

もう一つは直感的な物理学です。ボールをテーブルに向かって転がせば、何が起こるかについてすでに予想がついています。人間は、長年にわたって物理的な世界を観察することでこうした予測を身につけます。

三つ目は手と物の相互作用です。靴ひもを結ぶ、シャツのボタンを留める、何かを拾い上げる、布を扱うといった行為は、機械が曲がったり変形したりする物を扱うことを必要とします。そうした状況こそ、一人称視点の記録が捉えられるものです。

72時間のテストでは、日常的な活動がこれらの研究課題に驚くほどよく当てはまりました。運転は、物が空間をどう移動するかを予測することを含んでいました。瓶を手に取ったり卵を割ったりすることは、手と物の相互作用に関わっていました。卵がカウンターから転がり落ちるのを見ることは、直感的な物理学に関わっていました。鍵をどこに置いたかを尋ねることは、エピソード記憶の課題でした。

要点は、ありふれた記録がすべてすぐに有用な訓練データになるという話ではありません。日常的な人間の活動のなかに、身体を持つAIが必要とする事例が含まれているということです。

Metaのグラスが捉えられるもの

Metaは、Ray-Ban MetaグラスがAIの訓練のために着用者の周囲のすべてを継続的に記録しているわけではないとしています。同社によれば、AIの訓練に使われ、人間が確認する可能性もあるデータには、ユーザーがAIに何かを依頼したときに記録される音声コマンドと映像が含まれます。

AIがカメラの見ているものを分析する必要があるとき、該当する映像は処理のためにMetaのサーバーに送信されることがあります。同社はその情報をAIシステムの改善に利用できます。人はグラスに、物、場所、作業、目の前で起きていることについて尋ねることができ、そうしたやり取りが一人称視点の記録として残ります。

MetaはLive AIも導入しました。これにより、通常のウェイクフレーズを必要とせずにアシスタントを利用できます。グラスはリアルタイムのアシスタントとしてより便利になる一方で、カメラとマイクが作動する時間も長くなります。

設定では解決しにくい別のプライバシー問題があります。デバイスを操作できるのは着用者ですが、周囲の人はそうではありません。テスト中、確認された素材では顔がぼかされていましたが、着用者の周りの人は自分が録画されていることを知りませんでした。これはMetaのProject Ariaの研究プロセスとは異なります。そこでは、参加者や特定のプライベートな環境にいる人に、明示的な同意が求められます。

Metaのロボティクス計画を示すもの

Metaがウェアラブルデータをロボットの開発に役立てる可能性があるという考えは、グラスだけが証明するものではなく、同社のより広い戦略に関する仮説にすぎません。ただし、それを裏付ける証拠はいくつかあります。

2025年2月、MetaはReality Labsのなかにヒューマノイドロボティクス部門を設立しました。Reality Labsは、スマートグラスを手がける同じ大きな組織です。2026年5月には、MetaはLerrel Pinto氏が共同創業したロボティクス研究所Assured Robot Intelligenceも買収しました。

Metaは、自社技術をヒューマノイドロボットのソフトウェア層として提供したいとも述べています。同社の研究では、自己中心的な視点の記録がロボットの物理的作業の学習にどう役立つかがすでに探られています。そのためグラスは、AIアシスタントとしての役割を超えて重要になります。カメラ、マイク、AIを、一日中身につけられるデバイスに搭載しているのです。

Metaの次世代ウェアラブル試作機は、より継続的なセンシングとより強力な物体追跡へと向かっているとされています。こうした機能は、人が物理的な世界とどう関わるかについて、より有用なデータを生み出す可能性があります。

これは、Metaがロボットの大軍を築くために顧客の人生のあらゆる瞬間を密かに収集していると証明するものではありません。ただ、AIとロボティクスの両方に巨額を投じる企業にとって、一人称視点のウェアラブルデータが戦略的に価値を持ち得る理由は示しています。