清華AIR曹婷氏が語る具身ICL:ICCLの因果抽出、端側ブレインと後訓練の境界
雷峰網が2026年11月12日に掲載した、清華大学智能産業研究院の教授で域変換の共同創業者兼CTOを務める曹婷氏へのインタビュー。同氏は具身の文脈学習には三つの路線があり、チームはICCL(文脈因果学習)を採用し、二段階訓練の動作-効果抽出器でラベルなし一人称視点データを動作監督信号に変換していると述べた。家庭シーンはICLの汎化に、工場の生産ラインは依然として小データの後訓練による精度維持に頼るとも述べている。報道は開放ウェイト、ライセンス、APIには触れていない。

主な変更
報道は冒頭で、今年の初秋にSkild S1、Generalist GEN-1.5、RoboTTTなどの取り組みが相次いで登場し、文脈学習を具身領域に持ち込んだと述べている。インタビューによれば、具身領域のICLには現在三つの路線がある。一つは言語モデルのように能力がオンラインで創発することを期待する路線で、報道はGeneralistを例に挙げる。二つ目は明示的な訓練で、モデルに動画プロンプトから次の動作を直接予測させる路線で、報道はSkildを例に挙げる。三つ目が曹婷氏のチームが提唱するICCL(文脈因果学習)だ。ICCLの出発点は、動画には動く人、無関係な物体、反射があり、そこから動作情報を抽出するのは難しいという点で、そのため動作-効果抽出モジュールを追加し、動作とそれが生む効果だけを文脈に入れる。インタビューによれば、チームの最初のZevaはCosmosをベースに始めたが、手法は基盤モデルを選ばず、World ModelでもVLAでも使える。続くZeva-EgoはVLAをベースにし、一人称(ego)データで中間訓練を行った。因果抽出器は二段階で訓練する。第一段階では専用ネットワークが動作と無関係な環境変化を学習し、第二段階では前段階の環境表現を借りて動作関連情報だけを抽出し、動作ラベルのないegoデータを監督信号に変換する。報道が示す規模は1万時間のラベルなしegoデータで、オープンソースデータはクレンジングが必要で、クレンジング後はおよそ10分の1だけが残るという。タイムラインとして、報道はZ0が6月に公開され、harnessの役割を担うZettaが8月18日に公開され、Zevaが9月1日にSkildやGeneralistなどと同時期に公開され、Zeva-Egoが1カ月以内に登場し、近くロボットが自ら収集したデータを回流させて基盤モデルを再訓練する新しい取り組みも公開されるとしている。同氏は記憶を二層に分けるとも説明する。現在のタスクを実行するworking memoryと、検索して再利用できるタスク横断的な長期記憶だ。さらに自身が定義するPSI(物理世界の自己進化)は、オンライン学習で成否データを蓄積し、データを回流してモデルを再訓練し、基盤モデルが強くなるとデータ蓄積が速くなるという閉ループだと述べている。アーキテクチャではチームは上下二層を作る。具身の一部能力を小さなVLMに蒸留し、数十Bパラメータまで訓練する。曹婷氏は効果はより大きなモデルと基本的に変わらないと述べ、この小モデルを端側ブレインとして、ユーザー指示の理解、長距離タスクの分解、タスク実行の監視、復旧動作の生成、下層のツールとモデルの呼び出しを担わせる。下層はZevaやZeva-Egoのような世界モデルとVLAで、Zettaはagentまたはharness側に属する。大規模モデルに直接制御させることへの同氏の判断は遅延だ。モデルが結果を返すのを待つ間に現場の状態は変わっている可能性があり、また大規模モデルは能力の上限を追求するため、思考プロセスとネットワーク伝送のオーバーヘッドは減らしにくい。インタビューはSkildの報告の口径も伝えており、未見タスクでのICLのステップ成功率は60%台にとどまるとしている。
開発者への影響
具身モデルとデータパイプラインに取り組む開発者にとって、この一連の説明の最も直接的な影響はデータ側にある。報道で述べられた二段階の因果抽出は、ラベルなしの一人称動画を動作監督信号に変えるもので、予算の重心はアノテーションからクレンジングと抽出に移る。ただし「10分の1だけ残る」はインタビュー対象者の経験値であり、普遍的な定数ではない。egoデータの出所がより雑多で、動作密度がより低い場合、残存率と有効性は自分でまず測る必要がある。このステップを検証する現実的な方法は、雑然とした背景を含む小規模な未見タスクセットを固定し、抽出器を入れた場合と入れない場合のステップ成功率、および初回試行から成功までの試行回数を比較することだ。報道が示す参照は、チームの自述で1〜2回で成功し、比較モデルは5〜6回必要というもので、これは自述の水準であり参考にとどめるべきだ。インタビューが伝えたSkildの報告では、未見タスクのICLステップ成功率は60%台にとどまる。この数字は第三者報告の伝聞であり、しきい値として使うなら原報告に戻って確認すべきだ。 評価の口径はシーンごとに分ける必要がある。報道はICLをタスクが頻繁に変わり汎化が求められる側に置き、後訓練を形態が固定され99%以上の精度と低遅延が求められる側に置く。これは同じモデルでも両側で受け入れ基準が異なることを意味する。前者は未見タスクの成功率と試行回数、後者は精度と単ステップ遅延を見るのであり、同じ成績表で互いを覆すことはできない。 遅延が階層構造を決める。報道は明確に、大規模モデルがタスクを理解し、手順を計画し、ツールを呼び出せることは、信頼できる物理実行能力を持つことと同じではないと述べ、端側の遅延とネットワークのオーバーヘッドはどちらも圧縮しにくいとする。そのためチームは能力を端側の数十Bの小さなVLMに蒸留し、それをブレインとして、リアルタイム操作は下層の世界モデルとVLAに任せる。開発者にとってこれは「計画をクラウドに置くかローカルに置くか」を好みの問題から遅延予算の問題に変える。制御ループが高速応答を要求するなら、クラウド側の大規模モデルが閉ループの各ステップに関与することは、まずエンドツーエンド遅延で反証を試みる価値がある。 最後の点はデータ回流がもたらす行動のドリフトだ。報道はデータがすべて回流し、近く自採データを基盤モデルに訓練し戻すとも述べている。こうした閉ループが一度稼働すると、モデルの挙動はデプロイに伴って変化し続ける。これは報道への推論であり報道の事実ではない。バージョン固定と回帰テストがなければ、コードを変えていない日にもオンラインの挙動が変わることがあり、観測の口径とロールバック手段を事前に決めておく方が、事後の原因究明より楽だ。
導入と評価の提案
以下三つは報道に基づく推奨と条件分析であり、報道の中の事実ではない。チームのやり方があなたの現場で必ず成立することを意味しない。 判断一:オンラインの文脈デモンストレーションと後訓練のどちらを主経路とするか。報道が示す変化は、業界がオフラインのデータ収集工場からデプロイ後のオンライン文脈学習へ移るというものだ。曹婷氏は、オフラインデータをどれだけ集めても実世界のすべての状況は覆えないと述べている。選ぶべきは、オンラインデモと文脈パイプラインを先にループへ接続するか、それとも小データの後訓練を一巡先に行うかだ。トリガー条件はタスクの変化頻度、現場が安定的にデモを提供できるか、そして精度要件だ。タスクが毎シフト変わり試行錯誤が許されるなら、先に文脈パイプラインを導入する方が割に合う。タスクの形態が固定され99%以上の精度と低遅延が必要なら、報道の言い方では、数百件のデータを先に集めて後訓練するのが依然として最も経済的で信頼できる方法だ。定量化できる判断基準は、自作の雑然背景テストセットでの未見タスクのステップ成功率と初回成功に必要な試行回数であり、60%台という伝聞の第三者口径は下限の参照として扱い、目標にはしない。 判断二:動作-効果抽出とデータクレンジングの工程を先に作るか。報道が示す変化は、二段階の因果抽出器でラベルなしegoデータを動作監督信号に変えるというもので、チームは1万時間のラベルなしデータを使った。選ぶべきは、抽出器とクレンジングパイプラインに投資するか、直接アノテーションに投資するかだ。前提は、すでに大量のラベルなし一人称動画があり、クレンジング後に10分の1程度しか残らない残存率を受け入れられることだ。この二つが満たされないなら、経路の前提は成立せず、先に人手アノテーションを行うか、動作ラベル付きデータに切り替える方が現実的だ。定量化できる判断基準は、クレンジングと抽出後の利用可能サンプル数、下流の未見タスク成功率の増分、そして雑然背景で成功率が抽出なしのベースラインより明確に高いかどうかだ。 判断三:報道の役割分担どおり、端側の小モデルを上層のブレインとし、長距離理解をクラウドの大規模モデルに置かない。報道が示す変化は、具身の一部能力を数十Bの小さなVLMに蒸留して端側ブレインとし、指示の理解、長距離タスクの分解、実行の監視、復旧動作の生成を担わせ、下層の世界モデルとVLAが実際の操作を担うというものだ。理由は、大規模モデルの思考プロセスとネットワーク伝送のオーバーヘッドがリアルタイム制御の要件を満たしにくいことにある。選ぶべきは、この「端側ブレイン+下層実行モデル」という階層で設計するか、引き続きクラウドの大規模モデルを閉ループ内の計画に使うかだ。トリガー条件は制御ループの遅延感度と現場のネットワーク条件だ。高速応答の操作タスクが重いほど、端側ブレインが許容できる能力に達するかを先に検証すべきだ。タスクのテンポが遅く、再計画が秒レベルの往復を許容するなら、クラウド案を必ずしも置き換える必要はない。定量化できる判断基準は、同じ制御ループのエンドツーエンド遅延(特に高パーセンタイル遅延)と、実行失敗後にブレインが復旧動作を生成してタスクを進め続けられる復旧成功率だ。補足すると、「数十Bの小モデルの効果はより大きなモデルと基本的に変わらない」はインタビュー対象者の自述であり、自分のタスクセットで比較したうえで採用するのがよい。
制限と未確認事項
この報道はインタビューの整理であり、引用された実績はほぼすべてチームの口径か二次的な伝聞だ。公開評価セットで「効果がより良い」、「1〜2回で持ち上げられる」、小さなVLMを数十Bまで訓練して「効果は基本的に変わらない」といった点には、評価セット名、ベースライン一覧、再現スクリプトが示されていない。Skildの60%台はインタビュー対象者を経た伝聞であり、伝聞の口径に属する。三つのICL路線はインタビュー対象者の区分であり、業界統一の評価フレームワークではない。クレンジング後に10分の1だけ残るのは自述の経験値で、具体的な規則とデータ構成は公開されていない。インタビューには人物や産業に関する内容も多く、例えば研究者の経歴、学部のリソース、他社の資金調達、そしてチームが約20人で博士課程の学生が中心であることなどが含まれるが、これらはモデル能力とは無関係で、選定の根拠にはできない。 入手可能性について、報道は論文と手法しか扱っておらず、Z0、Zeva、Zeva-Ego、Zetta、Z-infraが開放ウェイトかどうか、どのようなライセンスを採用しているかを説明していない。呼び出し可能なインターフェース、入出力形式、最低デプロイハードウェアも示していない。開放ウェイトとオープンソースライセンスは別物であり、分けて確認する必要がある。明確にしておくべきは、これらのバージョンは現在KimiSeekのモデルカタログにいずれも掲載されておらず、今回の報道もAPI公開の情報には触れていないことだ。今後関連するインターフェースが出た場合、その可用性と条件はベンダー側に属し、ベンダーの告知に従う。曹婷氏が言及した「近く公開」の新しい取り組みは本稿執筆時点で未公表であり、能力と開放範囲はどちらも検証できない。
元の報道の図版











