Ai2がオープンなロボット模擬世界ToyBlocksを公開：1枚のGPUで最大24倍のリアルタイム速度でデモを自動生成し、階層型システムは文字が見えて正立した最も簡単な3ブロックの綴り設定で実世界のゼロショット評価は50.0%（30件中15件）だったが、実世界の標本は小さく、著者は発見を初期のものとしている

2026年11月6日、アレン人工知能研究所（Ai2）はHugging Faceのブログで「ToyBlocks」を公開しました。ロボットがどう学ぶかを研究するためのオープンなシミュレーション枠組みで、あわせて「FoundationWorld」という考え方を示しています。FoundationWorldは、小さく制御可能な模擬世界と、タスクや訓練用のデモを自動生成するツール、ロボットの振る舞いを時間を追って測る指標を組み合わせたものです。ToyBlocksはその最初のもので、卓上のロボットアームとブロックから成ります。Ai2はこれをペトリ皿にたとえ、研究者が一つだけ条件を変え、テストを繰り返し、ロボットが失敗した理由をたどれる場だと説明しています。記事はAi2自身の説明で、発見は初期のものと位置づけられています。

この世界は意図的に単純ですが、簡単すぎるわけではありません。ブロックの面には絵や文字があり、探す、仕分ける、積み重ねて単語を綴るといったタスクがあり、ロボットは隠れた面を見るためにブロックを回さなければならないこともあります。ドメインランダマイゼーションでは、場面ごとにブロックの大きさ、机の高さなどの特性を変えます。押す、裏返す、回すといった技能は、NVIDIAのIsaac Lab内で、強化学習とモーションプランニングにより、実機のロボットが持たないブロックの正確な位置姿勢のような特権情報を使って、シミュレーションで学習されます。次にタスク・モーションプランナーが技能をつないで計画にし、その計画をシミュレーションで実行すると、人がロボットを遠隔操作しなくても、ラベル付きの記録されたデモができます。Ai2は、1枚のGPUで数百の計画を並列に実行でき、リアルタイムの最大24倍の速さに達すると述べています。評価では、成功率だけでなく、実行速度、物体にかかる力、タスクの進み具合も報告されます。

最初の実験は動作モデルを試しました。視覚・言語・行動モデルは、言語とカメラ画像をロボットの動きに変換します。Ai2は、ManiFlow、π0.5、MolmoAct 2を、Stack、Unstack、Flip、Rotateというタスクで、空間の一部で訓練し、新しい位置や新しい積み高さで試しました。初期の結果では、大規模な事前学習にもかかわらず、これらのモデルは汎化が不十分です。著者らは汎化を改善する工夫を報告しつつ、汎化はまだ解決からほど遠いと述べています。高レベルの計画では、Molmo 2の視覚言語モデルが技能とブロックを選び、ManiFlowのような低レベルのモデルが実行します。枠組みが両方のレベルにオラクル（正解の基準）を提供するため、失敗が計画か実行のどちらによるかをたどれます。

エージェント型のシステムは、Model Context Protocolで公開されたツールを通して動くClaude Opus 5.5で試されました。古典的なブロック積みでは、テキストで記述された30のタスクをすべて解き、カメラ画像を見ながら閉ループで行った場合も30すべてを解きました。「探して綴る」設定では、エージェントは最大8個のブロックから3文字の単語を作る必要があり、場面の半分は文字が足りず実行不能で、そのことをエージェントが述べなければなりませんでした。これらのタスクで、解くか、不可能だと正しく宣言できた割合は63%でした。誤りの多くは、似た文字の取り違えが13%、積み上げでの文字の向きの誤りが15%でした。別の設定では、エージェントが自分で実験し、自分の技能の説明を書き、成功率は既定の説明での24%から63%に上がり、人間の専門家が書いた説明では36%でした。これは別のタスクで分母も異なり、二つ目の63%は一つ目とは別のものです。

Ai2はToyBlocksで、ロボットが動いたあと場面がどう変わるかを予測する世界モデルも比べました。四つの技能それぞれについて900の軌道を生成し、半分が成功、半分が失敗で、三つのモデルを微調整して比較しました。50億パラメータの動画モデルWan 2.2が、ブロックの動きと結果を最もよく予測し、エージェント型の物理シミュレーターモデルAstraはグリッパーを追えたものの接触に苦労し、潜在モデルLeWMは速いものの、完全な軌道ではずれていきました。最良の動画モデルが生成した100本のロールアウトを加えると、方策の未見領域での成功率が19%から78%に上がりました。

シミュレーションから実機へのテストは最も重要ですが、最も薄いものです。Robotiqのグリッパーを付けたFranka FR3アームで、30通りの場面構成、各場面に訓練で見た4〜10個のブロックがあり、モデルの訓練にはシミュレーションデータだけを使い、実機でゼロショット評価しました。ただしシミュレーターのパラメータは事前に実機の軌跡で調整しました。ManiFlowの基本技能の成功率は、シミュレーションで80.0%、実世界で81.1%でした。階層型のMolmo 2とManiFlowのシステムは、文字が見えて正立した最も簡単な3ブロックの綴り設定で、シミュレーションのエピソードの55.5%（200件中111件）、実世界のエピソードの50.0%（30件中15件）で成功しました。Ai2自身が、統計的な確信にはさらに試行が必要だと述べており、危険な動きのため操作者がロボットを止めたエピソードは失敗と数えられます。

私たちの見方です。ToyBlocksは、6段階のデータパイプライン、ManiFlowの訓練スクリプト、評価ツール、ClaudeなどのモデルがシミュレーションのロボットをWebインターフェースから制御できる仕組みを備えた、文書の整った有用な試験環境に見えます。その価値は、失敗の原因をたどれる制御された場にあり、ロボットがすでに汎化できる証拠ではありません。すべての数値を、家庭や工場よりはるかに単純なブロックの世界から得られたAi2自身の初期結果として扱い、実世界の30エピソードという標本が小さいことに注意してください。私たちはコードを動かさず、どの結果も再現していません。