Hugging Faceはロボット学習フレームワーク「LeRobot」のv0.6.0を公開した。今回の最大の特徴は、行動前に未来を想像する「世界モデル」、成功を自動判定する「報酬モデル」、そして失敗を学習データに変える「デプロイCLI」によって、ロボットが自ら改善ループを回せるようになった点にある。AI開発の主戦場がデジタル空間から現実世界へと移行する中、このオープンソースの進化はロボティクス産業の民主化を加速させる可能性を持つ。

行動する前に「想像」するポリシー群

v0.6.0ではVLA-JEPA、LingBot-VA、FastWAMという3つのポリシーが導入された。これらは強化学習の一種である「モデルベースRL」の系譜に位置し、ロボットが自身の行動結果を事前に想像してから動作する能力を持つ。VLA-JEPAは訓練時に未来予測を補助的に使い、推論時にはその負荷をゼロにできる点が実用的だ。LingBot-VAは動画と行動を同時に予測し、想像した映像を保存して現実と比較できる。FastWAMは推論時に想像プロセスを省略しつつ、訓練では高精度な未来予測を活用する。各手法は計算コストと精度のトレードオフに異なる解を与えており、企業の開発予算やロボットの目的に応じて最適な選択肢を取れるようになった。

成功の定義を自動化する報酬モデルAPI

ロボット開発のボトルネックの一つは「タスクの成功・失敗を誰がどう判断するか」だった。v0.6.0はRobometerやTOPRewardといった報酬モデルAPIを新たに提供し、この評価プロセスを自動化する。これは、大規模言語モデル（LLM）の学習でRLHF（人間のフィードバックによる強化学習）が果たした役割と構造的に似ている。人間が逐一口頭や手動でフィードバックを与えなくても、モデルが自動で報酬シグナルを生成し、ポリシーを改善し続けられる。この仕組みは、工場や家庭など多様な現場環境で稼働するロボットの自律的なスキル向上を現実的にする基盤技術となる。

データとシミュレーションの実用性向上

現実世界のロボットデータ収集はコストが高い。v0.6.0では、深度センサー対応に加え、視覚言語モデル（VLM）によるデータセットへの自動言語注釈付与パイプラインが追加された。これにより、画像や動作データに対して「赤いボールを掴む」といった自然言語ラベルが自動で付与され、特定タスクに特化したモデルへの微調整が容易になる。また、6つのシミュレーション用ベンチマークを統一CLI「lerobot-eval」で呼び出せるようになり、実機実験の前段階として方針間の性能比較を効率化する。データ読み込みも最大2倍高速化し、実験サイクル全体の短縮に寄与する。

Hugging Faceが目指す「現実世界AI」のハブ化

今回、FSDP（完全共有データ並列）を用いた大規模モデル学習やHugging Face Jobs上でのクラウド訓練がサポートされ、一般の開発者でもGPUメモリの制約を超えた大規模実験を行いやすくなった。Hugging Faceは、テキストや画像のAIモデル共有ハブとしての地位をロボティクス領域にも拡張しようとしている。GR00T N1.7やMolmoAct2といった新たなVLA（視覚言語行動）モデルがモデル動物園に加わり、多様な基盤モデルを実験できる環境を整えた。これは、LLMのエコシステムがHugging Faceを中心に加速した歴史を、ロボット領域でも再現しようとする戦略的な一手と見なせる。