Appleの研究チームは、ロボットが有用であるために専用設計の「脳」を必ずしも必要としないという挑発的な主張を伴う新しいロボティクス論文を発表した。このシステムはAMP1(Agentic Manipulation Policiesの略)と呼ばれ、汎用AIモデルがPythonコードを書いて実行することでロボットアームを制御できるようにするものだ。研究によれば、シミュレーションと実世界の両方のテストにおいて、操作タスクで専門のロボットポリシーを上回る成績を収めた。

「On Agentic Manipulation Policies」と題されたこの論文(arXiv:2611.09892)は2026年11月に公開された。コードとシミュレーションデータは公開されており、他の研究所が主張を直接検証できる。

AMP1の仕組み

AMP1はゼロショットで動作する。基盤モデルは特定のロボットやタスクに対するファインチューニングを受けず、フレームワークもデモンストレーションのライブラリを必要としない。研究では、シングルアーム、双腕(2アーム)、モバイル構成を含む複数のロボット構成での動作が説明されている。再訓練なしで異なるハードウェアをサポートすることは、まさに専門特化型システムが欠きがちな柔軟性である。

さらに、このフレームワークは状況に応じてツールの使用や検索の実行など、戦略をリアルタイムで適応させることができる。

結果

シミュレーションでは、チームはRoboLab-120ベンチマークでAMP1を評価した。Gemini 4 Argonモデルと組み合わせると成功率85.6%を達成し、Claude Opus 5.5で駆動した場合は82.8%に達した。比較として、NVIDIAのAstranomyモデルは同じベンチマークで74.8%を記録した。AMP1はゼロショットで動作したため、これらの比較は、汎用の推論能力と、身体化タスク専用に構築された専門ポリシーを対決させるものとなっている。

研究によると、AMP1は他のベンチマークでも上位の成績を収め、LIBERO-PROで95.2%、robosuiteで100%を記録した。

実世界での性能は、Frankaロボットアーム3基の構成で108回の試験により評価された。AMP1はそのうち104回を完了し成功率96.3%を達成した一方、ベースラインシステムはそれぞれ49回と30回の完了にとどまった。論文はさらに、AMP1が主要なベースラインモデルと比較して運用上の失敗を15〜20倍削減したとも報告している。この改善は主に、より優れたエラー回復に起因するという。

チームとより広い文脈

研究の著者には、Appleの研究者であるChen Chen氏とOmid Bagherieh氏が含まれる。この研究は、同じく2026年11月にリリースされたAppleのヒューマノイドナビゲーション用システムHALOに続くものであり、Appleが単月でリリースした2件のロボティクス成果となった。

AMP1が比較対象とした専門特化型カテゴリには、Vision-Language-Actionモデル(VLA)とWorld-Actionモデル(WAM)がある。VLAはロボットが見たものとテキストによる指示を入力として物理的な動作を出力する。WAMは世界がどのように振る舞うかについての学習済みモデルを追加したものだ。いずれも身体化タスク専用に構築されており、通常は大量のロボット固有の訓練データに依存している。

AMP1は異なるアプローチを取る。ロボットの脳をゼロから構築するのではなく、大規模な汎用モデルの推論能力を借り、コードを通じて行動する手段を与える。この対比が論文の意義を浮き彫りにする。汎用モデルがタスク固有の訓練なしに専門ポリシーに匹敵できるなら、VLAやWAMを支える大量のロボット固有訓練データは、高度な操作能力の前提条件ではない可能性がある。

意味するところ

この結果には報道で指摘された注意点が伴う。AMP1はGemini 4 ArgonやClaude Opus 5.5などのサードパーティモデルに依存しているため、その性能はAppleが管理していないシステムに部分的に左右される。一方で、コードとシミュレーションデータの公開により、他の研究所がこれらの主張を自ら検証できる。独立した再現実験こそが、論文が報告する数値に対する次の最も明確な試金石となる。

この記事はもともとCryptoBriefingが報道し、Diego Almada Lopezが編集した。