すべてのフリートが、自らの経験から学べるように。

一晩で様子の変わった工事区間に近づく車両を想像してください。そのモデルは、新しい道路の配置をうまく読み取れません。この記録を、単なるログファイルや一度きりの調査で終わらせるべきではありません。適切な文脈があれば、チームが失敗を理解し、より良い学習データを用意し、次のモデルがその状況により確実に対応できるかを検証するために役立てられます。

チームが最初に記録するデモンストレーションから、やがて運用するフリートまで、経験が役に立つ学びへと繰り返し変わる。それが、自律機械に向けて私たちが望む未来です。配送ロボット、収穫機、産業用ロボットアームが直面する問題はそれぞれ異なります。しかし、その開発者には共通する必要があります。実世界で起きることと、モデルの変化をつなぐことです。私たちは、そのつながりを信頼できるインフラにしたいと考えています。

Tesla Autopilot で、私はフリートラーニングに取り組んだ最初のエンジニアでした。フリートのエッジケースをモデル改善へ変えるシステムです。その仕事から、モデルそのものの先を見ることを学びました。チームがどう有用な例を見つけ、センサーの文脈を保ち、何が起きたかを判断し、その判断を次のトレーニングセットへ変えるか。そのプロセスを繰り返せることは、個々のブレークスルーと同じくらい重要です。

ほかのPhysical AIチームが、その基盤のすべてを一から作る必要はない。そう考えて、私はAvalaを創業しました。自分たちの強みとなる機械とモデルに、最も優れた技術力を注げるべきです。最初の本番ワークフローから、やがて運用するフリートまで。Avalaは、実世界から学ぶための信頼できる仕組みを届ける存在であるべきです。

AI スタックは、稼働する機械から、それを動かす電力まで、五つのレイヤーで成り立っています。データは独立したレイヤーではありません。データは、モデルがそこから学ぶものであるため、お客様の資産としてモデルレイヤーの中にあります。インフラは、モデルがその上で構築され、改善され、実行される基盤、すなわち、モデルを生み出すデータに関わるすべてと、その下にある計算資源です。

1. アプリ

   機械が誰かのために行うこと。稼働中のロボット、車両、ドローン。

2. モデル

   頭脳と、それを教えるもの：お客様のモデルと、お客様のデータ。評価とポストトレーニングはここで、お客様自身の計算資源の上で行われる。

3. インフラ

   モデルがその上で構築され、改善され、実行される基盤：モデルを生み出すデータに関わる、収集から検証を経たリリースまでのすべてと、その下にあるツール、計算資源、クラウド。

   Avala はここにいる

4. チップ

   シリコンそのもの。

5. エネルギー

   そのすべてを制約する電力。

Avala は、お客様のモデルの真下、インフラレイヤーにいます。私たちはロボットを作らず、お客様のモデルを所有せず、計算資源を売らず、チップも作りません。私たちは、お客様自身のモデルが自身のフリートから学ぶためのデータ・学習インフラを作ります。

機械が失敗するのは、その状況に遭遇したことがないからかもしれず、教師信号に一貫性がないからかもしれず、あるいは問題が学習データ以外の場所にあるからかもしれません。最初の仕事は、そのギャップを理解することです。

私たちが描くのは、学習目標を明示的なデータ計画につなぐシステムです。どの既存の経験を使い、どの新しい経験を取得し、それをどう検証し、どの実験で効果の有無を確かめるか。広いカバレッジと的を絞った学習は、切り離せないものです。目標は、単により大きなデータセットを作ることではありません。次に何をすべきかについて、より確かな根拠に基づいて判断することです。

この規律は、双方向に働きます。ときには、キャリブレーションの修正、曖昧なアノテーション方針の変更、あるいはチームがすでに持つデータの再バランスこそが、正しい介入であることもあります。信頼に足るデータパートナーは、ときにはお客様に、これ以上データを買わないよう伝えるべきです。

データセットは根拠であって、目的ではありません。学習目標ごとに、検証の対象となる能力、その能力を試す状況、学習に用いた根拠、評価に用いた基準、そして結果を保持します。

これにより、学習プログラムは再現可能になります。同じ能力を、新しいデータリリース、新しいモデル、新しい実行環境に対して、その能力に至った判断の経緯を組み立て直すことなく検証できます。時間とともに、こうしたバージョン管理された能力は、機械がどのように学んできたかを示す運用履歴になります。

役に立つ実世界の事例は、物体の画像だけでは成り立ちません。タスクは、その前に何が起きたか、機械や人が何を試みたか、その後に何が起きたかに左右されることがあります。私たちは、センサーの観測を、そのタスクで利用できる文脈と結び付けます。タイミング、幾何情報、軌跡、記録されている場合は動作、結果、そして人による解釈です。

その文脈は、収集、レビュー、データセットの準備、評価を通じて、常に確認できる状態に保たれます。欠けている情報や不確かな情報は、完成したラベルの裏に隠されるのではなく、見える形で示されます。再構成された 4D シーンは、確認できるように物理的な文脈を保存するものであり、タスクが必要とする場合の実測された動作、接触、検証の代わりにはなりません。

私たちの仕事は、フリートの本番データから始まります。マルチモーダルなセンサー記録を 4D データに再構成し、AI と専門家レビュアーがラベリングし、お客様が訓練するバージョン付きデータセットとしてリリースします。MCAP や ROS の記録、カメラ画像、LiDAR、ロボットの軌跡は、それらを有用にする文脈とつながったままでなければなりません。ソフトウェアと専門家による運用を組み合わせ、お客様のトレーニング要件を満たすデータを整えます。

繰り返し起きる問題から始めましょう。ラベルの不整合、不足している事例、もう一度修正が必要な学習用データセット。まず、受け入れ可能とは何かを定義します。所要時間、品質、全体の作業量を測定し、次のリリースをより作りやすくします。こうして個別のデータ業務は、切り離された納品で終わらず、お客様が頼るシステムへと育っていきます。

2028年、Avalaは、物理世界で機械を運用するあらゆる事業者が、データ・モデル・デプロイを自らの管理下に置いたまま、自らの経験を自らの知能へと変えていくためのオープンなインフラになっています。誰もが自らの知能の所有者であり、誰かのものを借りる借り手ではない世界のために。私たちは、互いにつながる4つの段階を通じてその立場を勝ち取っていくつもりです。

1. 01

   一つの本番ワークフローで成果を示す。

   お客様がいま解決する必要のある問題を解決します。明確な受け入れ基準を満たす成果を届け、従来のプロセスと比較して結果を測定します。最初の納品で印象を残すだけでなく、次のサイクルの信頼性を高めます。

2. 02

   モデルとチームを横断する基盤になる。

   データセットの同一性、レビュー履歴、品質方針を、より多くのワークフローへ引き継ぎます。展開のたびに、すでにあるインフラを再利用できるべきです。新たな個別開発プロジェクトを立ち上げずに、別のチームやモデルが恩恵を得られるか。それが判断基準です。

3. 03

   発見から改善までのリサーチを自動化する。

   フリートの失敗を調査し、根拠を取り出し、過去の事例と比較し、実験を提案し、不足している事例を見つけるか用意を依頼し、結果を評価できるリサーチエージェントの実現を目指します。その結論は物理的な根拠まで追跡可能なままであり、その評価器は非公開の基準で検証され、重大な影響を伴う変更はレビュー可能で元に戻せる状態に保たれます。目指すのは、より多くのデータを生み出すエージェントではありません。次にどの実験を行う価値があるかを、より的確に判断できるようになるシステムです。

4. 04

   学びを、エコシステム全体で持ち運べるようにする。

   オープンなインターフェースを通じて、ロボットの技術スタック、モデル、インフラをつなぎます。チームは履歴を手放さずに、より良いツールを採用できるべきです。所有者が共有を選び、再利用が許可されている場合には、共有データセットやモデルがその基盤を広げられます。相互運用性は、管理権を手放させることなく、利用の機会を広げるものであるべきです。

役に立つ実世界の経験はすでに存在していますが、それは不完全で、カバー範囲にむらがあり、特定のモデルを改善するための判断とはほとんど結び付いていません。最も重要な経験は、いまも機械を所有する企業のもとで、デプロイのたびに一つずつ生まれており、その大半は例外、つまり誰もシミュレーションしなかった状況です。それをすべて持つ企業は一社もありません。だからこそ、その経験を見つけ、検証し、組み合わせ、補うインフラは独立していなければならず、所有権はデータが生まれた場所に残さなければなりません。

お客様は、独自の強みを保持できるべきです。フリートの経験から学ぶことが、そのデータを競合他社のデータと密かに混ぜることであってはなりません。お客様の記録、アノテーション、評価結果、モデルが、そのお客様の明示的な合意なしに別のお客様の強みになることは決してありません。共有データセットは合意のもとで、再利用の条件を明示して共有されます。私たちにとって「オープン」には具体的な意味があります。相互運用可能なインターフェース、エクスポートできるデータと履歴、明確な利用権、そしてお客様が管理するデプロイです。独立とは、あなたのインフラパートナーがモデル開発ラボにも、ロボットメーカーにも、ハイパースケーラーにも所有されていないということです。Avala が選ばれる理由は、離れにくさではなく、システムの価値であるべきです。

機械を教え、評価する人々が提供しているのは、アノテーションの作業能力だけではありません。彼らはタスクを定義し、意味のある誤りを見抜き、結果を判断し、自動化システムが試される基準を定めます。その判断には、優れたツール、公正な報酬、より高度な仕事へ進む道がふさわしいと考えます。私たちは、自動化によって反復作業を減らしながら、専門性の価値を高めたいと考えています。より良い判断がプロセスに蓄積され、より良いソフトウェアが次の作業を支え、同じ誤りを繰り返すことが減る未来です。

私たちが目指すのは、より安全で生産的な現場の作業と、より多くの人が手の届く価格で使える有用なサービスです。本来なら大きな社内組織を必要とする能力を、小さなロボティクスチームも活用できるようにしたい。より優れた機械は、そのための手段です。より多くの人が、その機械を活用してものを作り、収入を得て、恩恵を受けられるようにすることが目標です。

Physical AI は、仕事とは何か、誰がケアに手が届くか、モノと食べ物がどう運ばれるかを変えていきます。私たちは、その変化が人のためになることを、思い込みではなく、確かめられる形で実現したいと考えています。四つの約束が、私たちの作り方を形づくっています。

1. 01

   機械を教える人は、その仕事に対して報酬と訓練を受ける。

   Avala のコワーカーは、受け入れられた仕事に対して、その仕事と地域の標準を上回る報酬を受け取り、トレーニングも仕事に組み込まれています。自動化が反復作業を取り除き、熟練した判断は人の手に残ります。

2. 02

   機械の所有者が、モデルを所有する。

   企業のフリートデータと、そこから学んだ知能は、その企業の管理下にとどまり、いつでも持ち出せるオープンなフォーマットで保たれます。研究所も、ロボットメーカーも、クラウド事業者も、チームとその経験のあいだに割り込むことはありません。

3. 03

   信頼する前に、測定する。

   すべてのリリースは、お客様が定めたベースラインに照らして採点され、改善しなかった点も含まれます。機械は、一つひとつの評価という根拠によって、より広い活用を勝ち取っていきます。

4. 04

   小さなチームが、大企業の能力を手にする。

   10 人のロボティクスチームが、数千台のフリートと同じように世界から学べるべきです。そのループのコストを下げれば、より多くの人が、より良い機械を作り、そこから収入を得て、恩恵を受けられるようになります。