ゆるふわフィジカルAI
VLAモデル（Vision-Language-Action Model）とは、カメラ映像と言葉の指示を入力し、ロボットの関節の動きを直接出力する1つのニューラルネットワークのことです。「コップを取って」と話しかけるとロボットが動く——これを実現する、フィジカルAIブームの技術的な主役を、数式なしで理解しましょう。
この記事で分かること
- VLAモデルは、見る（Vision）・わかる（Language）・動く（Action）を1つのニューラルネットで行う基盤モデル
- 代表例はRT-2（先駆者）・pi-0（商用の本命）・GR00T（ヒューマノイド向け）・OpenVLA/SmolVLA（オープンソース）
- 大規模言語モデルの「常識」をロボットに移植できたことがブレイクスルーで、未知の物体・指示にもある程度対応できる
- 弱点は動作の速度・学習データの不足・安全性の保証で、現場導入はこの3点が判断基準になる
対象読者：フィジカルAIの基本用語を知った上で、VLAモデルの全体像を一度に理解したい学生・エンジニア
執筆：ゆるふわフィジカルAI編集部 最終更新日：2026年10月12日
VLAは「見る・わかる・動く」の一気通貫
VLAモデルの中で起きていること
Vision
カメラ映像を理解
Language
指示の意味を理解
Action
モーターの動きを出力
ポイントは、この3つが1つのニューラルネットでつながっていること。従来は「物体認識」「計画」「制御」を別々のプログラムで作ってつなげていましたが、VLAは映像と言葉を入れると動作が直接出てきます。
なぜ急にできるようになった？
理由はシンプルで、ChatGPTを生んだ大規模モデルの「常識」をロボットに移植できたからです。
ネット上の大量の画像とテキストで訓練されたモデルは、「コップとは何か」「持つとはどういうことか」をすでに知っています。そこにロボットの動作データを追加学習させると、教えていない物体や指示にもある程度対応できるようになりました。この「応用が利く」性質が、従来のロボットとの決定的な違いです。
代表的なVLAモデル4つ
RT-2（Google DeepMind・2023）
VLAという概念を有名にした先駆者。Webの知識をロボット操作に転移できることを示し、「バナナをドイツ国旗の上に置いて」のような抽象的な指示にも対応して世界を驚かせた。
pi-0（π0）（Physical Intelligence・2024〜）
「ロボットの頭脳」専業スタートアップの看板モデル。洗濯物たたみやテーブル片付けなど器用さが要る長い作業をこなせるのが特徴。2024年11月のシリーズAで4億ドル、2025年11月のシリーズBで6億ドルを調達し（累計10億ドル超）、VLA界の本命と目される。オープン版（pi-0のウェイト公開）もあり研究者に人気。
GR00T（NVIDIA・2024〜）
ヒューマノイドロボット向けに特化した基盤モデル。反射的な動きを担う「System 1」と、手順を考える「System 2」を分けたデュアルシステム構造が特徴で、Apache 2.0ライセンスで商用利用まで無料公開されている。くわしくはIsaac GR00T入門へ。
OpenVLA / SmolVLA（オープンソース・2024〜）
誰でも使える公開VLAモデルの代表格。手元のロボット（SO-101等）向けに追加学習（ファインチューニング）して使える。特にSmolVLAはパラメータ数450Mと軽量で、個人のGPUでも試しやすい。手順はSmolVLA入門で解説している。
まだ苦手なこと（限界も知っておこう）
- 速くて正確な動きが苦手 — 生成に時間がかかるため、高速な組立作業などは従来制御が優勢
- データが足りない — 言葉の学習にはWeb全体が使えたが、「触った感覚」のデータはWebに落ちていない。世界中がロボットデータ収集に投資しているのはこのため
- 安全性の保証が難しい — 「たまに変な動きをする」が許されない現場では導入のハードルに
ニュースの読み方
「新しいVLAモデル発表！」のニュースを見たら、①どんなロボットで（アーム？ヒューマノイド？）②どれくらい長い作業ができて ③データをどう集めたか、の3点をチェックすると本質がつかめます。
まとめ
- VLA = 見る（Vision）・わかる（Language）・動く（Action）を1つのモデルで行う、フィジカルAIの頭脳
- 大規模言語モデルの「常識」を移植できたことがブレイクスルー
- 代表格はRT-2（先駆者）、pi-0（本命）、GR00T（ヒューマノイド向け）、OpenVLA/SmolVLA（オープン）
- 弱点はスピード・データ不足・安全性の3点。ニュースを読むときもこの3点を基準にすると実力が見える
よくある質問
Q. VLAモデルは、まだ触ったことのないロボットにもそのまま使えるの？
A. ある程度は対応できますが、完全に無調整で使えるわけではありません。多くの場合、自分のロボットや作業に合わせて少量のデータで追加学習（ファインチューニング）することで実用的な精度になります。SmolVLA入門の記事で、その具体的な手順を解説しています。
Q. VLAモデルと模倣学習（LeRobotのACTなど）はどう違うの？
A. 模倣学習は、特定のタスク専用に人の操作データから方策を学ぶ手法で、VLAモデルはその一歩手前に、言語・画像で学んだ汎用的な知識を土台として持たせたモデルです。VLAモデルの多くも、最終的には模倣学習と同じようにロボットの操作データで追加学習されます。
Q. 個人が一番手軽に試せるVLAモデルはどれ？
A. 2026年10月時点では、パラメータ数450Mと軽量なSmolVLAが個人のGPUでも扱いやすく、手が届きやすい選択肢です。LeRobotとSO-101のような低価格な実機があれば、追加学習から実際に動かすところまで一通り体験できます。
📚 もう少し詳しく（背景と理論）気になる人向け・タップで開く
VLA（Vision-Language-Action）モデルは、画像と言語指示を入力に、ロボットの行動（動作トークン）を直接出力する基盤モデルです。Google の RT-2（2023）は、Web規模で学習した視覚言語モデルを行動出力にファインチューニングし、未知の物体・指示への汎化を示しました1。
以後、オープンソースの OpenVLA など再現・改良が進み2、NVIDIAのGR00Tのように反射的な動きと計画を分離するデュアルシステム構造を取るモデルも登場しています。狙いは「言語・視覚の大規模事前学習の常識」をロボットに移植すること——ただし、ロボットの実データは画像・言語に比べ桁違いに少なく、このデータ不足が最大の制約です3。推論コスト（大規模モデルを実時間で動かす）も実装上の課題です。
次の一歩 🌸
4つのモデルの違いをもう一度表で比較したい人はロボット基盤モデル（VLA）とは？へ。自分で触ってみたくなったらLeRobot入門やSmolVLA入門へ。ビジネス視点で追うなら市場規模まとめがおすすめです。
参考資料・出典
- RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic ControlRT-2の論文（arXiv:2307.15818）
- OpenVLA: An Open-Source Vision-Language-Action ModelOpenVLAの論文（arXiv:2406.09246）
- Robotics Startup Physical Intelligence Valued at $5.6 BillionBloomberg Lawの報道。2025年11月、CapitalG主導のシリーズBで6億ドルを調達し評価額56億ドルとなったと関係者情報を報じている
ゆるふわポータルでは、一次情報・公的資料にもとづき、専門用語をできるだけやさしく翻訳することを心がけています。内容に誤りや古い情報がある場合は、お問い合わせからご連絡ください。
執筆：ゆるふわフィジカルAI編集部 最終更新日：2026年10月12日
Footnotes
-
Brohan, A. et al. (2023). "RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control." Web知識を行動制御に転移し、未知タスクへの汎化を示した。 ↩
-
Kim, M. J. et al. (2024). "OpenVLA: An Open-Source Vision-Language-Action Model." 公開モデルとして VLA の研究・実装を加速している。 ↩
-
言語・画像はインターネット規模のデータがあるが、ロボットの実操作データは収集コストが高く極端に少ない。大規模データセット（Open X-Embodiment など）の共有が進む。 ↩