10月10日、Latent Spaceが「Building AI for Reliable Execution: Lessons From Industrial Robotics」と題した記事を公開した。産業用ロボットメーカーStandard BotsのAIスタックと、デモから実稼働環境への信頼性設計について詳しく紹介されている。ヒューマノイドロボットが注目を集める一方、実際の工場や倉庫でロボットを稼働させるために何が必要か——同記事はその問いに正面から答える内容だ。

「ヒューマノイドより先に工場を制す」Standard Botsとは

ロボティクスといえばFigureや1Xのヒューマノイドが注目されがちだが、2026年時点で実際に産業現場を動かしているのは非ヒューマノイド型の産業用ロボットアームだ。

Standard Botsは自社を「米国最大のAIネイティブ産業用ロボットメーカー」と称する。2026年6月にGeneral CatalystとRoboStrategyが主導するシリーズCで2億ドルを調達、評価額は10億ドルに達した。顧客にはNASA、Amazon、Lockheed Martinが名を連ねる。

今回、Latent SpaceはStandard Botsの共同創業者兼CEOのEvan Beardと、Head of AIのLeif Jentoftにインタビューを行い、同社のAIスタックの詳細を引き出した。

「大規模モデル」より「的を絞ったデータ」

Standard Botsのアーキテクチャの核心は、共有ベースモデルだ。顧客はデモンストレーションとファインチューニングによってこのモデルを自社タスクに適応させる。

最大のモデルでも数十億パラメータ台（low billions）であり、フロンティアラボの基準では小規模だ。Jentoftはこれを意図的な選択と語る。

「データの質は生のボリュームよりはるかに重要だ。最大のデータセットを追いかけるのではなく、的を絞ったデータから最大限を引き出すことに集中している」

さらに、現場導入によって得られる希少なデータの価値を強調した。

「エッジケースはその場での介入（in-situ intervention）で数十サンプルあれば修正できる」

これは同誌が以前取り上げたJevの開発者Diogo Almeidaの知見とも一致する——「正しいタスクと正しいデータは、計算量より重要になりえる」という考え方だ。

AIと従来プログラミングの役割分担が鍵

Standard Botsのアプローチで特徴的なのが、モデルの担当範囲を意図的に絞っている点だ。

機械段取り（machine tending）タスクを例にとると、構成はシンプルに分割されている。

• AIモデルが担当：部品の位置特定と識別（知覚タスク）
• 従来の制御プログラムが担当：動作制御とセルロジック

知覚モデルのバックボーンは10億枚超の画像で学習済みで、照明条件・素材の違い・背景との分離といった現場特有の変動に対応する。これはゼロショット（追加学習なし）で動作する。

モデルが生成したアクションチャンクは、手首（リスト）カメラや各種センサーからの生ピクセル・信号を内部ギガビットEthernet経由で受け取り、エッジGPUで処理されてロボットの低レベル制御へとストリーミングされる。ケーブルの絡まりを避けるため、配線は内部ルーティングされている。

「クラウド推論は使わない」——工場稼働率の現実

推論はクラウドではなくオンプレミスで完結させる。Beardはその理由を率直に語った。

「ほとんどの工場や倉庫は安定したインターネット接続を持っていない。稼働率は顧客受け入れの条件であるため、制御ループはローカルに保つ」

クラウド推論はロボティクスにとって「運用上、極めて困難」だという認識だ。なお、モデルのトレーニング自体はクラウドで行われる。

フルスタック制御がもたらすもの

Standard Botsはロボットアーム、エンドエフェクター（ロボットの"手"に相当するツール）、制御システム、AIをすべて自社で制御する。Jentoftはこれを競合との差別化要因として挙げた。

「モデルとコントロールポリシーを共同最適化（co-optimize）できる。どのモデルも真にハードウェア非依存ではなく、低レベル制御と高レベル機能を共同最適化することは、性能と反復速度の両面で大きなアドバンテージになる」

なお、汎用ロボティクス知能の構築を目指すSkildはクロスハードウェア汎化を目標に掲げており、この「ハードウェア非依存は難しい」という主張とは立場が異なる。

失敗データの扱いと外部開発者向け展開

実稼働からの失敗シグナルと人間による修正はキャプチャされ、フリートラーニング（複数ロボットへの知識共有）に活用される。ただし、NASA等の防衛系顧客はエアギャップ環境（外部ネットワーク遮断環境）で運用するため、データが戻ってくることはない。

外部開発者向けにはStandardOSとしてAPIとSDKを公開している。NVIDIA Cosmosなど外部モデルを持ち込んでの利用も可能だ。現時点では開発者が独自の統合コードを書く必要があるが、今後はデータ収集・モデルトレーニング・デプロイをより容易にする計画がある。

ソフトウェアエージェントへの示唆

※編集部の考察

工場向けロボティクスの話だが、AIエンジニアへの示唆は明確だ。モデルの役割を絞り込み、実デプロイからの修正でエッジケースを潰す——このアプローチはソフトウェアエージェント設計にもそのまま適用できる。大規模データより的を絞ったデータ、という原則も同様だ。

詳細はBuilding AI for Reliable Execution: Lessons From Industrial Roboticsを参照していただきたい。