Physical AI フロンティア・レーダー · 2026-10-13
フィジカルAIの最前線を毎日更新：8つの軸、三言語の要約、追跡可能な根拠。
- 生成時刻:
2026-10-12 23:40 UTC - 対象期間:
論文 2026-10-09 → 2026-10-13 · ブログ・報道 2026-09-13 → 2026-10-13 · 30 日以内の重複なし (UTC) - 根拠タグ：O = 一次情報 · R = 論文/プレプリント · M = メディア/二次情報
本日の注目
1. AutoBio+: Benchmarking Dexterous Manipulation with Dynamic Experimental Phenomena in Realistic Laboratories
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.13643 ｜2026-10-09 - 主要数値:
14 tasks(“AutoBio+ comprises 14 tasks across 4 robot”) - シグナル:
閉ループ成功率あり·実機実験あり - 重要な理由
AI 下書き: ラボ自動化に取り組むなら、実際的な視覚条件下での巧緻な道具操作と動的な実験現象を問う評価セットとして候補になる。14 tasks・4 種のロボット構成で、実機・閉ループのシグナルはあるが著者の自己報告。
Automating biological laboratories requires robots to perform dexterous tool interactions under realistic visual conditions while handling dynamic experimental phenomena, presenting significant challenges for robotic manipulation.
2. Forward Dynamics Models
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2610.13117 ｜2026-10-09 - 主要数値:
99.4%(“achieving a state-of-the-art 99.4% average success rate”) ·13%(“gains of up to 13% over VLA and”) - シグナル:
定量結果あり·閉ループ成功率あり·実機実験あり - 重要な理由
AI 下書き: 方策の土台を VLA か世界行動モデルかで選ぶ段階なら、順動力学モデルという第三の選択肢を示すプレプリント。平均成功率 99.4%、VLA 系比で最大 13% の改善を自己報告するが、ページ上ではベンチマーク名が分からない。
Vision-language-action (VLA) models and world action models (WAMs) have advanced robotic policy learning by building on pretrained vision-language models (VLMs) and video generative models (VGMs), respectively.
3. Evo-RL: Iterative Robot Reinforcement Learning from Selective Experience
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[R]｜ 出典: arXiv 2610.13345 ｜2026-10-09 - 主要数値:
1,000 hours(“which spans over 1,000 hours across four robot”) - シグナル:
定量結果あり·閉ループ成功率あり·実機実験あり·コードまたは重み公開 - 重要な理由
AI 下書き: 人手の修正と自律ロールアウトを組み合わせた実機 RL を回しているなら、経験を選別して反復する手法として要確認。4 種のロボットにまたがる 1,000 hours 超に言及し公開の兆候もあるため、自前の機体で検証できる。
Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts.
4. 3D Gaussian Splatting in practice: Industry use cases
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[O]｜ 出典: AWS Physical AI Blog ｜2026-10-06 - 重要な理由
AI 下書き: シミュレーション用のフォトリアルな環境構築がボトルネックなら、AWS は Gaussian Splatting がフォトリアルな 3D のコストと複雑さを下げ、ほぼリアルタイムの取り込み、ロボティクス、シミュレーションといった用途が実用的になったと述べる。ただしベンダーの見解で、数値も実機転移の検証もページにはない。
Gaussian Splatting is dramatically lowering the cost and complexity of photorealistic 3D, making once impractical use cases like near real time capture, robotics, and simulation viable across media, construction, manufacturing, and real…
5. Closing the reality gap: Why real-time execution has become the new competitive advantage
- 軸: エッジとリアルタイム（オンデバイス推論 / 制御周期） ｜ 根拠:
[M]｜ 出典: The Robot Report ｜2026-10-12 - シグナル:
遅延・制御周期の数値あり - 重要な理由
AI 下書き: 自動化設備の KPI を設計する運用側には一考の材料。Daifuku の Cecile Dick-Calmes 氏が、成功はもはや自動化密度や設備稼働率だけでは測れないと語ったと報じるが、二次報道の見解でリアルタイム実行の数値はページにない。
Daifuku’s Cecile Dick-Calmes said success is no longer measured solely by automation density or equipment utilization.
6. 费莫一刘念邱：智驾无图的经验，也能迁移到机器人 | 物理AI 50人
- 軸: ハードウェアとサプライチェーン（機体 / コスト） ｜ 根拠:
[M]｜ 出典: 雷峰网 Leiphone ｜2026-10-12 - 重要な理由
AI 下書き: 自動運転のマップレス手法をロボットに持ち込むか検討中なら、ロボット研究室出身でも近年参入の連続起業家でもない創業者の一意見として読むべき記事。人物インタビューで、移行を裏付けるデータや導入実績はページにない。
刘念邱很难被归进典型的具身创业者模板里。 他不是从机器人实验室出来的学者，也不是过去两年才进入 Physical AI 的连续创业者。
7. 产业出题，科技答题：2026 IEIC国际具身智能技能大赛，用真实岗位任务考核机器人落地能力
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[M]｜ 出典: 雷峰网 Leiphone ｜2026-10-12 - 重要な理由
AI 下書き: 実際の職務タスクで第三者評価を受けたいヒューマノイド開発チームは、10月23日から25日に上海で行われる大会の「检阅赛」に注目。工業情報化部と国資委の実地訓練施策の一環とされるが、二次報道による予告で結果はまだない。
实景比拼赋能科创，助力人形机器人技术规模化落地！ 编辑丨李希 为深入贯彻落实工业和信息化部、国务院国资委《 2026年度人形机器人与具身智能实景实训专项行动》部署，加快推动我国机器人与具身智能技术创新突破与规模化落地，国际具身智能技能大赛检阅赛将于2026年10月23日至25日在上海举行。
8. 百度世界2026将于11月12日在北京举办，主题为「下一幕，智能组织」
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[M]｜ 出典: 雷峰网 Leiphone ｜2026-10-12 - 重要な理由
AI 下書き: ロボット開発者が今動く理由はまだない。抜粋にあるのは開催日、北京の会場、チケット販売の情報だけで、ロボットや学習に関する内容は示されていないため、議題の公表を待つのが妥当。
10月12日，百度官方宣布，百度世界2026将于11月12日在北京·国家会议中心二期举办。目前，大会官网已开启售票通道（https://baiduworld2026.events.net.cn/tickets）。
フロンティア基準（キュレーション）
1. Egocentric human video can outperform real-robot data for embodied pretraining
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[R]｜ 出典: arXiv 2606.20521 ｜2026 - 主要数値:
-24% validation loss at equal data·+52.5% in-distribution success·+90% out-of-distribution success - 重要な理由: 機群を持たないチームでもデータ優位を築ける。機群があっても精査と判定の仕組みがなければ、データは保管コストにすぎない。
2. Fine-tuning π0 for robotic manipulation on Amazon SageMaker HyperPod EKS
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[O]｜ 出典: AWS Physical AI Blog ｜2026-09-10 - 主要数値:
MSE -89.7% (DROID)·MSE -88.9% (LIBERO)·8xH100, 20k steps, 6h15m·50-step chunk <200 ms at 1 ODE step·checkpoint ~45 GB - シグナル:
定量結果あり - 重要な理由: 同じ作業の初期版は評価と学習のエピソードが重複し約96%と報告。分割を厳格化して約89%になった。2026年で最も引用価値のある評価規律の事例。
3. RoboWorld: fast and reliable neural simulators for generalist robot policy evaluation
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2607.01060 ｜2026 - 主要数値:
closed-loop rollouts in a video world model·VLM judge·rankings strongly correlated with real-world eval - 重要な理由: 世界モデル内の順位が実機の順位と一致すれば、評価予算は人手からGPU時間へ移る。ただし実機の抜き取り検査は省けない。
4. Bringing a frontier world model to the convenience store: Telexistence’s DreamZero experiment on AWS
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[O]｜ 出典: AWS Physical AI Blog ｜2026-09-09 - 主要数値:
14B world action model·best closed-loop 45%·real-data-trained run 0% in sim·MSE -55.6% from 1k to 2k steps·~583 ms/step on 8xB200·curation flagged 39.3% vs human 49.7% - シグナル:
定量結果あり - 重要な理由: 「最前線のモデルが自社ロボットに適するか」を測定可能な数値に変え、実データを模擬環境で評価した際の0%も正直に記録。ドメイン差の診断自体が成果物。
5. EgoScale: scaling dexterous manipulation with diverse egocentric human data
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[R]｜ 出典: arXiv 2602.16710 ｜2026 - 主要数値:
44k hours of egocentric video·+54% average success vs no-pretraining on a 22-DoF hand·transfers to lower-DoF hands - 重要な理由: 大規模な人間の動作が再利用可能で機体非依存のモータープライアであると示され、巧緻ハンドはゼロから学ばなくてよい。
6. RoboTTT: context scaling for robot policies via test-time training
- 軸: エッジとリアルタイム（オンデバイス推論 / 制御周期） ｜ 根拠:
[R]｜ 出典: arXiv 2607.15275 (NVIDIA) ｜2026-07-16 - 主要数値:
8K timestep visuomotor context·3 orders of magnitude beyond prior policies·no inference-latency growth - シグナル:
遅延・制御周期の数値あり - 重要な理由: 遅延を増やさず長い文脈を方策に導入。ワンショット模倣と実行中の改善を同一の推論で扱える。
軸ごとの分布 (直近 7 日の採択)
| 軸 | # |
|---|---|
| 基盤モデル（VLA / WAM） | 10 |
| データエンジン（収集 / 精査 / スケーリング） | 6 |
| 学習と自己改善（RL / 事後学習） | 5 |
| シミュレーションと評価（sim2real / 閉ループ） | 14 |
| エッジとリアルタイム（オンデバイス推論 / 制御周期） | 7 |
| 安全・権限・コンプライアンス | 2 |
| システムとオーケストレーション（長期タスク / 複数方策） | 1 |
| ハードウェアとサプライチェーン（機体 / コスト） | 11 |
直近の推移
- 出典構成 (直近 7 日の採択):
[O]1 ·[R]36 ·[M]19 - 最近の各回の採択件数: 10-07 8 · 10-08 8 · 10-09 8 · 10-10 8 · 10-11 8 · 10-12 8 · 10-13 8
標準・規制ウォッチ
- ISO 25785-1 — Safety requirements for dynamically stable industrial mobile robots — Under development; committee-stage as of 2026-09.
- Regulation (EU) 2023/1230 (Machinery Regulation) — Fully applicable 2027-01-20.
- EU AI Act official timeline (Council of the EU) — High-risk deadlines 2027-12-02 / 2028-08-02 per Digital Omnibus.
本ページの項目別分析は radar-analyst（claude-opus-5.5）が下書きし、決定的な検査とエージェント査読を経て自動的に取り込まれました。人間の確認は経ていません。タイトルと数値は改変していません。
本リポジトリは技術観察であり、投資助言・製品保証・安全認証の結論ではありません。論文の主張は著者による自己報告です。