Physical Intelligence π0.7、未学習taskでrobot skillを再結合

Physical Intelligenceのπ0.7は、robot demosが壊れやすい理由の一つに切り込む。taskごとにspecialist systemを作り直し、dataを集め直す必要があるのか、という問題だ。同社は2026年4月16日のresearch postで、π0.7をgeneral-purpose vision-language-action modelと説明し、training dataにない新しいlanguage commandやtaskを実行できるとした。

中心にある概念はcompositional generalizationだ。Physical Intelligenceによれば、π0.7は複数のtaskで学んだskillをrecombineし、new kitchen appliancesの使用や、laundry folding dataがないnew robotでのfoldingに対応した。会社はこれを、LLMが既知の概念を新しい形式で組み合わせる能力になぞらえている。ただしroboticsではphysical motion、robot morphology、scene variationが加わるため、text benchmarkより検証は難しい。

注目すべきはUR5eへのtransfer

もっとも具体的な例はbimanual UR5e systemでのlaundry foldingだ。Source robotとUR5eはsize、positioning、morphologyが大きく異なり、同社はこのtaskについてUR5e training dataを集めていないと書いている。それでもπ0.7のsuccess rateは、元のtraining dataを収集したexpert human teleoperatorsがUR5eで初めて試した時のzero-shot success rateに並んだ。これらのteleoperatorsの平均teleoperation experienceは375 hoursだった。

方法論は単に大きなdatasetを使うという話ではない。π0.7はlanguage、metadata、control modality labels、visual subgoal imagesなど、複数のprompt structuresでtrainingされる。Promptは何をするかだけではなく、どう行うかも指定する。Test timeにはstandard language instructionsに加え、desired strategyやlightweight world modelが作るvisual subgoalも受け取れる。

これはdeployed robot productの話ではない。Sourceは“first signs”や“initial signs”という慎重な表現を使っている。外部replication、standardized robotics benchmark、costとfailure modeの公開はまだ必要だ。それでも方向性は重要だ。ひとつのmodelがtask-specific specialistに近いperformanceを出し、unseen combinationsを扱えるなら、embodied AIのbottleneckはtaskごとのmodel構築から、instruction design、safety boundary、evaluationへ移る可能性がある。