2021年のロボットに、2026年のAIの頭脳を載せたら Ubitus × KebbiによるPhysical AI実験

すでに何年も稼働してきたサービスロボットに、生成AI時代の新たな可能性はあるのでしょうか。

AIロボットというと、新しいチップ、より高い演算性能、あるいは新設計のヒューマノイドロボットに注目が集まりがちです。しかし、展示会場、学校、商業施設、サービス現場には、すでにディスプレイ、マイク、スピーカー、カメラ、可動関節を備えたロボットが数多く存在しています。ただし、当時のハードウェアやソフトウェア設計の制約から、その多くは決められた指示の実行、事前収録されたコンテンツの再生、あるいはあらかじめ設定されたフローに沿ったインタラクションに限られていました。

そこで私たちは、シンプルな実験を行いました。

身体はそのままに、新しいAIの頭脳だけをつないだら、何が起こるのか？

今回の実験では、Kebbi Air H201をベースに、既存のセンシング、表示、音声、身体動作の機能をそのまま活用しました。マザーボードを交換することも、大規模モデルを本体に搭載することもせず、軽量なAndroidアプリを通じて、リアルタイム音声認識、LLMによる対話、音声合成、ロボットの動作制御を連携させました。

その結果は、単に「質問に答えられるようになった」というだけではありません。

同じロボットが、人の接近を検知して自ら挨拶し、自然言語を理解し、複数ターンの会話を行えるようになりました。回答中には字幕表示、まばたき、リップシンク、手を振る、踊るといった動作も連動します。さらに、ユーザーが再び話し始めたり画面に触れたりすると、それまでの回答を中断し、再び聞き取り状態に戻ることもできます。

身体は変わっていません。しかし、人との関わり方は大きく変わりました。

固定コマンドから、人の意図を理解するインタラクションへ

従来の音声ロボットによくある制約は、ユーザー側が「機械に合わせる」必要があることです。特定のキーワードや決められた言い回しを使ったり、あらかじめ設定された手順に従ったりする必要があります。表現が少し変わったり、会話の途中で間が空いたり、周囲にノイズがあったりすると、インタラクションが簡単に失敗してしまいます。

新しいAIインタラクションは、その関係を逆転させます。ユーザーはコマンドを覚える必要がなく、自然な言葉でそのまま要望を伝えることができます。

システムは音声認識結果を継続的に受け取り、発話が終わったか、キャラクターを呼びかけているかを判断し、会話の文脈を保持することで、その後の質問にも自然につなげることができます。また、誤作動を減らすため、指定されたキャラクター名を聞き取った場合のみ応答するよう設定することも可能です。

さらに重要なのは、ロボットが一方的に最後まで回答を再生するのではないという点です。ユーザーが途中で話し始めたり画面に触れたりすると、現在の音声と動作を停止し、再び聞き取り状態に戻ります。

この「途中で割り込める」機能は小さな違いに見えますが、人がロボットを本当のインタラクション相手として感じられるかどうかを左右する重要な要素です。

ここからロボットは、あらかじめ設定されたcommandを実行するだけの存在ではなく、

「人は本当は何をしてほしいのか」

を理解しようとする存在へと変わり始めます。

AIの回答から、Physical Actionへ

Chatbotをそのままロボットの画面に載せるだけでは、「ロボットに身体がある」という価値を十分に活かせません。

そこで今回、LLMにはテキスト回答を生成するだけでなく、それに対応する動作の意図も提案させました。

たとえば「お会いできてうれしいです」と言いながら手を振る。左右の方向を説明するときには対応する手を上げる。楽しい内容について話すときには、適切な表情や動きを組み合わせる。

すべての動作は、アプリ側の安全なホワイトリストを通過したうえで、ロボットSDKを通じて実行されます。

ここから重要な違いが見えてきます。

Generative AIの代表的な出力は、Text / Image / Audio

AIがPhysical Worldに入ると、出力は、Speech / Expression / Motion / Device Action へと広がります。

つまり、本質的な問いは「AIが何を生成したのか」だけではなく、

AIは人の意図を、実行可能な物理的行動へ変換できるのかということです。

このプロセスは、次のように整理できます。

Human Intent → Perception → Reasoning → Action Planning → Physical Action → Feedback

これが、今回のKebbi実験で私たちが探ろうとした最小限のPhysical AI loopです。

身体と頭脳は、同じ速度で老化する必要はない

今回採用したアーキテクチャは、「Thin App + AI Gateway + Robot SDK」です。

Kebbi本体は、音声入力、音声再生、表情表示、身体動作など、もともと得意としている処理を引き続き担当します。一方、より多くの演算リソースを必要とするSTT、LLM、TTSは、外部のAIサービスが処理します。

重要なのは、Androidアプリが特定のモデルやクラウドサービスに直接依存していない点です。標準化されたインターフェースを通じてAI Gatewayと接続するため、将来、音声認識モデル、LLM、音声モデルを変更しても、ロボット側のシステム全体を書き直す必要はありません。

ここから、私たちが重要だと考えるもう一つのコンセプトが生まれます。

The Brain and the Body Can Evolve Separately.

ハードウェアは5年、8年、あるいはそれ以上使われる可能性があります。一方、AIモデルは数カ月単位で大きく進化することがあります。

両者が強く結び付いていると、ロボットの知能は出荷時点の性能に制限されてしまいます。しかし、センシングと動作をdevice側に残し、intelligenceを継続的にアップデートできるAI layerに置けば、ハードウェアとAIそれぞれのライフサイクルを切り離すことができます。

これにより、

• LLMの変更
• STT / TTSのアップグレード
• RAGナレッジの継続的な更新
• Personaの再設定
• 市場に応じた言語やキャラクターの切り替え
• 同じハードウェアを異なる用途へ展開

といったことが可能になります。

現在のプロトタイプでは、繁体字中国語と日本語の展示モードにも対応しています。切り替わるのは画面上の言語だけではなく、STT、LLM prompt、TTS、キャラクター名、ウェイクアップ方法、フロントエンドの状態まで一括して変更されます。

つまり、延長されるのはハードウェアそのものの寿命だけではありません。

そのデバイスを**「別の用途へ再定義できる期間」**も延長されるのです。

本当の難しさは、AIが現実世界に入ってから始まる

STT、LLM、TTSのAPIを個別に動かすこと自体は、それほど難しくありません。本当のエンジニアリング上の課題は、それらを実際のロボット上で長時間にわたり、自然かつ安全、安定的に連携させることです。

今回の開発では、特に3つのポイントを実感しました。

1. Perceptionは信頼できなければならない

ブラウザ上のテキスト入力はクリーンですが、現実空間はそうではありません。

距離、方向、周囲の騒音、話者の違い、そしてロボット自体のマイク特性など、さまざまな要素が音声認識結果に影響します。そのため、実機側では収音のしきい値、ノイズフロアの調整、ゲイン調整、異常時の復旧などが必要になります。

Physical AIの第一条件は、AIが答えられるかどうかではありません。

現実世界を安定して認識できるかどうかです。

2. AIは行動を提案できるが、実行は制御可能でなければならない

LLMは創造性やreasoningを提供できます。しかし、実際のデバイスを制御する際に、モデルから任意のSDK機能を直接呼び出せるようにすることはできません。

すべてのロボット動作はホワイトリストと実機検証を経たうえで、deterministic control layerによって実行されます。

この原則は、次のように表現できます。

LLM can decide what to do.
Deterministic systems must guarantee how it is safely done.

3. Physical AIは常に正しい状態へ戻れる必要がある

実際のユーザーは会話に割り込みます。ネットワークが一時的に切断されることもあれば、マイクが動作しなくなることもあります。また、音声、字幕、口の動き、身体動作が同期しなくなる可能性もあります。

そのため、システムにはcancellation、state recovery、watchdog、診断機能が必要です。ロボットが「話している途中、動いている途中」の状態で停止してしまうことを防がなければなりません。

今回のプロトタイプでは、状態表示、レイテンシー記録、マイクwatchdog、サービス終了後に公式インターフェースへ復帰する仕組みなども実装しました。

こうした機能は、最も華やかなAI技術には見えないかもしれません。しかし、Physical AI prototypeが本当に研究室の外へ出られるかどうかを左右する重要な要素です。

次のステップは、「1台のロボットに1つのAI」とは限らない

Kebbiは良いスタート地点です。しかし、私たちがさらに探求する価値があると考えているのは、

One Intelligence Layer, Many Physical Bodies.

という方向性です。

未来のAIは、必ずしも特定の1台のロボットだけに属する必要はありません。

同じAI Agentが人の意図を理解し、contextを保持し、planningを行い、タスクに応じて異なるデバイスを利用することができます。

たとえば、ユーザーが、

「その物を持ってきてください」

と依頼したとします。

AI自身が車輪やアームを持つ必要はありません。要求を理解した後、

対象物を確認 → 利用可能なAMRを検索 → タスクを割り当て → ロボットからの報告を待つ → タスク完了を確認 → ユーザーへ結果を伝える

という流れを実行できます。

この段階になると、AIは「特定のrobotの機能」ではなくなります。

異なるrobots、sensors、devicesの上に存在するIntelligence Layerへと変わっていきます。

すべてのPhysical AIが、新しいロボットから始まる必要はない

今回のKebbi実験は、現在も進化を続けているprototypeです。しかし、この実験を通じて、Physical AIのもう一つの可能性が見えてきました。

今後、企業がAIを導入する際、必ずしも毎回、新しいスマートロボットを購入するところから始める必要はありません。

既存の多くのデバイスには、すでに十分な「身体」があります。マイク、ディスプレイ、カメラ、スピーカー、sensor、motor、network。

不足しているのは、もしかすると、

言語を理解し、状況を把握し、reasoningを行い、その結果をdevice actionへ変換できるIntelligence Layer

だけなのかもしれません。

この考え方はKebbiだけに限りません。既存のサービスロボット、情報端末、デジタルサイネージ、AMR、その他制御インターフェースを持つさまざまな実機へと展開できる可能性があります。

今回、私たちは新しいロボットを作ったわけではありません。

既存のロボットに何ができるのかを、改めて定義しただけです。

Kebbiのディスプレイ、マイク、カメラ、モーターは変わっていません。変わったのは、人をどう理解するか、どう応答を決定するか、そしてデジタル世界のAI reasoningを現実世界の行動へどう変換するかです。

これこそが、Physical AIの次のステップとして探求する価値のある方向の一つなのかもしれません。

未来の知能は、より新しい身体から生まれるとは限らない。
進化し続けられる頭脳から生まれるのかもしれない。

Same body. New intelligence.

---

ユビタスについて

ユビタスは、NVIDIA から出資を受けた台湾初のテクノロジー企業であり、高度なGPU仮想化技術およびクラウドストリーミング技術において、世界的に高い評価を受けており、さまざまな産業分野に向けて、世界水準のクラウドおよび AI ソリューションを提供しています。

また、台湾大学（National Taiwan University）や東京大学（The University of Tokyo） などのトップ大学と連携し、繁体中国語および日本語に対応したローカライズ大規模言語モデル（LLM）の研究・開発を推進しています。

ユビタスは以下を含む多様なAIGC（AI生成コンテンツ）サービス を展開しています。

• UbiArt：AI画像生成ソリューション
• UbiONE：AIバーチャルキャラクターソリューション
• UbiAnchor：AI搭載バーチャルニュースアンカー
• Ubi-chan（AI VTuber）生成AI技術を体験する公式ブランドアンバサダー

さらに、クラウドゲーム分野のパイオニアとして、ゲームスタジオ向けにクラウド対応を実現するエンドツーエンドのソリューションを提供するとともに、通信事業者による独自クラウドゲーミングサービスの構築を支援しています。同技術は、インタラクティブコンテンツやVRを含むマルチメディア配信にも活用されています。

 

お問い合わせ先

TEL : +81-3-6435-3295 (東京)

+886-2-2717-6123 (台北)

メディアに関するお問い合わせ : pr@ubitus.ai

事業に関するお問い合わせ : contact@ubitus.ai

Webサイト: www.ubitus.ai