人型ロボット業界は「工場進出」「家庭進出」を繰り返し唱えてきたが、ロボットがどのようにして作業を覚えるのかを明確に説明することはほとんどなかった。その答えは、ある魔法のような大規模モデルではなく、世界中の数十カ国に分散するパートタイムワーカーが、額に固定したiPhoneで食器洗い、衣類たたみ、卵焼きを一コマ一コマ撮影することだった。
これは、4月初めにMITテクノロジーレビューが報じた記事で明らかになった事実である。
額にiPhone、キッチンへ
具体的な方法はこうだ。額にiPhoneを固定し、自分の手に向けて、指示された家事（タオルをたたむ、鍋から皿へ料理を移す、キッチンカウンターを整理するなど）を行う。各作業は通常数十分で、動画をアップロードした後、AIと人間のレビュアーが共同でラベリングし、各動作の開始時間、終了時間、手の位置を記録する。
この作業を主に請け負っているのは、カリフォルニア州パロアルトのMicro1という企業で、50カ国以上の契約ワーカーを雇用し、主力はナイジェリア、インド、アルゼンチンにいる。時給は15ドルで、現地の収入水準からすると良い条件だ。
雇用者側では、Tesla、Figure AI、Agility Roboticsといった人型ロボットを開発する企業がこのデータを購入している。ロボットが実際の家庭環境で作業を学ぶには、シミュレーターだけでは不十分であり、実際の人間の操作データが不可欠な原材料となる。
Micro1だけではない。Scale AIは同様のデータを10万時間以上収集したと主張している。DoorDashに至っては、配達員に家事を撮影するよう報酬を支払っている。業界全体で、実世界の訓練データに年間1億ドル以上を費やしている。
初めてではないが、規模は拡大中
AIの訓練データに人間のラベリングを利用することは目新しいことではない。初期の画像認識はAmazon Mechanical Turkのワーカーに依存し、自然言語処理は大量のテキストアノテーションに依存していた。しかし、人型ロボットの訓練データには本質的な違いがある。必要なのはテキストや画像の分類ではなく、力加減、リズム、空間座標を含む動作の3次元時系列データなのだ。
これは純粋な合成データでは解決できない。なぜなら、ロボットが現実の物理世界で遭遇する摩擦、重量、素材の違いはあまりにも多様だからだ。Scale AIのデータは、実験室の専門家ではなく、特別に募集されたワーカーが自宅で録画した動画から得られるものが増えている。
これが意味することは、人型ロボットの能力の限界は、ある意味で世界中の家庭のキッチンによって決まるということだ。ロボットが異なる素材のタオルをたためるかどうかは、その素材に対応する操作動画が十分に撮影されているかどうかにかかっている。
時給15ドル：この仕事は長期的に安定しているか？
ワーカーの仕事に対する感想はおおむね好意的だ。
「自分は世界の誰とも違うことをしていると感じる」（参加者のZeus氏）
Dattuという別のワーカーは、自分は「足跡を残している」と感じ、データがロボットの成長に貢献していると語った。しかし、研究者はこの業界の持続可能性に疑問を抱いている。UCバークレーのKen Goldberg氏は次のように直接述べている。
「安全で使用可能なロボット訓練データを十分に収集するのにどれだけの時間がかかるか、人々は過小評価している」
より現実的な問題はプライバシーだ。ワーカーが撮影する内容は、自分の手だけでなく、家の調度品、家族の写真、生活習慣、部屋の間取りも含まれる。Micro1は顔や機密情報を除去するとしているが、ワーカー自身はデータが最終的にどの企業に渡り、どこに保存され、転売される可能性があるのかを知らない。削除を要求した者もいるが、結果は誰も知らない。
メリーランド大学の研究者Yasmine Kotturi氏は、この情報の非対称性は構造的な問題だと指摘する。ワーカーは情報リスクを負っているが、それに対応する知る権利を得ていない。
もう一つの懸念点として、ASTMインターナショナルのAaron Prather氏は、ワーカーが録画中に不適切な方法（安全でない切り方など）を使った場合、これらの「悪い見本」が訓練データに混入し、ロボットに危険な習慣を学習させる可能性があると指摘する。
このサプライチェーンは消えない
| データ提供者 | データ量 | 主なワーカー出身国 |
|---|---|---|
| Scale AI | 100,000時間以上 | 世界各地に分散 |
| Micro1 | 数万時間 | ナイジェリア、インド、アルゼンチン |
| DoorDash | 非公開 | 配達員 |
人型ロボットが真に「家庭進出」を果たすには、処理すべきシナリオが想像を絶するほど多岐にわたる。さまざまな形状の家具、さまざまな素材の衣類、さまざまなレイアウトのキッチン、さまざまな高さのカウンター。これは数千時間のデータで解決できる量ではなく、数百万時間が必要だ。
このグローバル化され、分散化されたデータサプライチェーンは長期的に存続し、さらに拡大していくだろう。ロボットが完全に自律的に学習できるようになるまでは、人間がまず実演して見せなければならない。
ただし、その実演をする人物は、ナイジェリアの賃貸アパートで、額にiPhoneを装着し、皿を洗いながら、未来のロボットが歩くことを学ぶのを手助けしているかもしれない。
出典：CocoLoop、The gig workers who are training humanoid robots at home（MIT Technology Review）