さっつーのAIエージェント監修の今泉大輔です。「監修」という肩書であるのは、ほとんどのレポートをAIの上位モデルないしはディープリサーチ・アルゴリズムと構造化プロンプトによって作成しているからです。AI界の言葉では「ハーネス」と呼ばれているものを考案し、コンテンツ用に実装する作業を行っています。「ハーネス」が必要な理由は、現在のAIの上位モデルは無限の馬力がある荒くれ馬のような代物で、それに適切な馬具をあてがって方向性をコントロールしないと意味のない成果物が生成されてしまうということがあります。
昨日、Unitreeのモノづくりの側面ないしハードウェアの側面に関するレポートをリリースしました。本投稿はソフトウェアの側面です。
Xを流れている最新情報で、Unitreeが新たに汎用人型ロボット向け基盤モデル「UnifoLM-WLA-1.0」をオープンソースで公開したことがわかりました。
ロボット向け基盤モデルの開発は各社で行われています。また日本のノエトラもその流れにある活動ですが、無料のオープンソースとして公開したところにUnitreeの凄みがあります。端的には現存するロボット向け基盤モデル開発の”ビジネス”がオシャカになってしまうポテンシャルを秘めた、ある意味、恐ろしい動きです。ひょっとすると、NVIDIAスタックで開発するロボット/フィジカルAIの世界に一石を投じる…どころではない「巨石を投じる」ものになる可能性すら、あります。以下でGeminiに解説させました。
Unitree（宇樹科技）が発表した汎用人型ロボット向け基盤モデル「UnifoLM-WLA-1.0」のフルオープンソース化について、日本のフィジカルAIおよびロボティクス関係者に向けて重要なポイントを解説します。
1. 発表の概要とスペック
- モデル名称: UnifoLM-WLA-1.0（Vision-Language-Action）
- パラメータ数: 6B（60億）
- 学習データ: 約2,500時間の高品質な実機ロボットデータに加え、500万件以上の多様なマルチモーダル空間理解・推論サンプル（UnifoLM-ER-1など）を統合。
- 対応タスク: デスクトップ（卓上）操作と全身モビリティ操作を合わせて計64タスクを単一モデルで実行。
- エンドエフェクターの汎用性: パラレルグリッパー（二爪）から各種器用ハンド（多関節の器用ハンド）まで、異なるエンドエフェクターの構成にクロス対応。
UnifoLM-WLA-1.0
UnifoLM-WLA-1.0 — Unitree Robotics' next-generation general-purpose humanoid robot foundation model.
unigen-x.github.io
2. 技術的な主要ハイライト
- VLM（視覚言語モデル）とワールドモデル、行動生成の完全統合 ベースとなるQwen3-VL-4Bを拡張した視覚・言語・空間理解バックボーン（UnifoLM-ER-Flow）を構築。単に画像を見て言語を理解するだけでなく、オプティカルフローから将来の動的領域変化（将来マスク）を予測する「インタラクション中心のワールドモデル」を組み込んでいます。（今泉注：Google DeepMindが先日発表した基盤モデルに近い位置づけ。 2026/7/31 NVIDIAの強敵フィジカルAI。Google DeepMind “Gemini Robotics 2″の全身制御としゃべるGemini https://blogs.itmedia.co.jp/serial/2026/07/nvidiagoogle_deepmind_gemini_robotics_2gemini.html ）
- アクションの離散化（RVQ）とMMDiTフローデコーダーの採用 連続値であるロボットの動作（エンドエフェクターの軌跡、ハンドの関節、下半身の関節）を、Residual Vector Quantization（RVQ）を用いて離散トークンに変換。さらに、最先端の生成モデルで使われるMMDiT（Multimodal Diffusion Transformer）ベースのアクションエキスパートを組み合わせることで、空間推論と滑らかな全身動作を一つのモデルで同時に駆動させています。（今泉注：NVIDIAスタックではいくつかのモジュールに分散する処理が1つのモデルで完結する。ただし、エッジAIコンピュータ=ロボット筐体に搭載されるAIデバイスとの連携がどうなるのか不明。NVIDIAスタックの場合、エッジAIコンピュータとして強力なJetson系が使えるので開発者にとっては非常に便利。Unitreeの基盤モデルで行く場合、そこのところが見えない）
- 「1モデル・全方位（Whole-Body）」の圧倒的なタスクレンジ 従来のオープンソースロボットモデルの多くが「机の上の把持（マニピュレーション）」に偏りがちだったのに対し、本モデルは「ゴミ出し、洗濯物入れ、靴の整理、浴室の片付け、ベッドメイク」といった10種類の全身移動・体幹を伴う実環境タスクと、54種類の卓上微細タスクを1つのモデルでシームレスにこなします。
3. 日本のフィジカルAI・ロボティクス開発者へのインプリケーション
- オープンソースの「ベースモデル」としての強力な選択肢 これまでクローズドなエコシステムが主流だったヒューマノイドの頭脳レイヤーにおいて、6B規模のWLAモデルが完全オープンソース化される意義は非常に大きいです。日本国内の大学研究室、スタートアップ、またメーカーのR&D部門にとって、ゼロから基盤モデルを学習させるコストを大幅にスキップし、ファインチューニングのベースとして直ちに活用できる強力な共通基盤となります。
- 「知能」と「身体性」の統合スピードの加速 Unitreeはハードウェア（G1やH1など）の量産・低価格化で世界をリードしていますが、今回の発表により「ハードウェアの数×2,500時間以上の実機データに裏打ちされた汎用知能」の垂直統合をオープンな形でエコシステム全体に開放したことになります。日本の現場においても、ハード単体の検証から、こうした最先端のWLAモデルをどう自社環境や特定用途（工場、物流、インフラ点検など）に適用していくかという、アプリ・インテグレーション側の検証スピードが一段と求められるフェーズに入ったと言えます。
