AIエージェント能力アトラス › 仕事ごとの一覧 › 物理世界・ロボット › 人型ロボット汎用

未知の環境・新規オブジェクトへの汎化

Generalization to novel environments and objects

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

Stanford AI Index 2026のBEHAVIOR-1Kベンチマーク(現実的な家庭内タスク1,000種)では最上位チームでもフルタスク成功率わずか12.4%(88%失敗)。人間は初見の家でも大半のタスクをほぼ確実にこなす

できること

訓練環境と類似した設定・物体では高い成功率(ラボ環境で89.4%等)

まだできないこと

床の照明変化、油膜による車輪スリップ、ペットや家具配置の違いなど「乱雑な現実」への頑健な対応

なぜそうなのか

シミュレーションは無限の物理的カオス変数を再現できず、実世界データの多様性も絶対的に不足しているため

これからの予測の根拠

基盤モデルの訓練データ拡大(数千万時間規模)が2026年時点でまだ必要量の「基点」に過ぎないとの指摘から、専門家並み到達は2030年以降と推定

いま使える主な道具

Physical Intelligence π0.5/π0.7、NVIDIA GR00T N2

根拠

• Stanford just measured how often robots fail at home tasks. The number is 88% 2026-04
  BEHAVIOR-1Kベンチマークでトップチーム成功率12.4%
• The humanoid robot generalization problem has a new blueprint 2026
  多くのタスクで転移(transfer)は事実上未検証

同じ分野のほかの仕事（人型ロボット汎用）

• 工場内の部材運搬・シーケンシング
• 実演の自律性(遠隔操作なしでの動作)
• 二足歩行・不整地でのバランス維持
• 連続稼働時間・電源管理

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。