ロボット搭載LLM・VLAモデル 2026：何が載り、何が載らないか

ロボットのソフトウェアスタックには少なくとも5つの異なる仕事があり、そのうち今日LLMやVLAにとって現実的な領域なのは2つだけです。 「ロボティクスにおけるAI」を未分化な一塊として扱うことが、この分野の報道における最も一般的な枠組みの誤りです——それは誤った問い（「LLMを動かせるか」）へと導き、有用な問い（「これら5つの仕事のうちモデルが実際に担っているのはどれで、どのレートか」）を見失わせます。

データが流れる順に並べた5つの仕事：知覚（カメラ・ライダー・IMUデータを構造化された世界表現に変換）、状態推定（そのデータを時間軸で融合し、ロボット自身の姿勢と世界状態の安定した推定を得る）、タスク計画（次に*何を*するか決める——「青いカップを取る」「積み込み場へ移動する」）、動作計画（タスクを実行可能な軌道に変換する——関節角度、経路、把持アプローチ）、制御（計画された軌道を、外乱を打ち消しながら瞬間ごとにモーター指令へ変換）。

知覚はVLMや軽量ビジョンモデルがすでに実際の仕事をこなしている領域です——物体検出、シーン記述、意味的ラベリング——通常カメラ映像が生み出す5〜30Hzの範囲で動作します。タスク計画はVLAやLLMが真の価値を発揮する領域です：自然言語または視覚的な目標を、下流のシステムが行動できる記号的サブゴールに変換します。この2つが、本記事がVLA/LLMの正当な領域と扱う仕事です。

状態推定・動作計画・制御は種類が異なります。状態推定は通常カルマンフィルタやパーティクルフィルタを使います——決定論的でよく理解された数学であり、コア推定問題においてニューラルネットワークが改善するものではありません。動作計画は古典的な軌道最適化手法（CHOMP、RRT*、MPCベースのプランナー）が主流です。これは検証可能な制約充足を提供できるからであり、これは言語モデルの出力には備わっていない特性です。制御は最も高速でモデルに最も適さない層です——トランスフォーマーのフォワードパスでは到達し得ないレートで、センサー誤差に対するフィードバックループを実行します。

VLAでロボットが何をできるかを決める制約は、モデルが到達可能な毎秒の意思決定数であり、アクセラレータの最大TOPS定格ではありません。 100 TOPSを謳うハードウェアデータシートは、20〜70億パラメータのVLAが1秒間に何回完全なフォワードパスを実行し使用可能なアクションを生成できるかについて何も語っていません。この数値はモデルサイズ、量子化、バッチサイズ、カメラ数、メモリ帯域幅が組み合わさって決まり、通常、シングルストリームで低レイテンシのワークロードに対してTOPS値が示唆する値をはるかに下回ります。

ループによって許容されるレイテンシは大きく異なります。歩行型または自己バランス型ロボットのバランスループは、1桁ミリ秒単位の補正を必要とします——これは100〜1,000Hzの制御ループであり、公開されているVLAアーキテクチャでこのレートで動作するものはありません。マニピュレーションのタスク計画ループ（「カップに手を伸ばす」か「ボウルに手を伸ばすか」を決める）は、挙動を目に見えて劣化させることなく100〜1,000ミリ秒のレイテンシを許容します——これがVLAが現実的に動作する1〜10Hzの範囲です。ナビゲーションレベルの再計画ループ（障害物を避けて経路変更する）は、多くの場合数秒の遅延を許容します。

だからこそ、モデルの根底にあるFLOPsではなく、モデルの出力レートこそが予算化すべき数値です。パラメータ数が似た2つのVLAでも、パイプライン（ビジョンエンコーダ、アクションデコーダ、トークン化）のどれだけが1回の意思決定あたりのクリティカルパス上にあるかによって、到達可能なHzは大きく異なります。また、同じフォワードパスに供給されるカメラストリームの数によっても異なります。ほとんどのVLAアーキテクチャは追加のカメラを追加の並列性としてではなく、追加のコンテキストとして処理するためです。

制御ループ内のモデルは、パフォーマンスだけでなく安全性の問題でもあります。 ニューラルネットワークの出力は、PIDやMPCコントローラの安定余裕のように形式的に検証可能ではありません——トランスフォーマーが未知の入力分布に対して安全でないアクションを決して生成しないという証明は存在しません。これが、我々が把握している限りすべての実運用ロボットスタックにおいて、推論層のモデルがどれだけ高性能になろうとも、安全定格の停止機能・トルク制限・衝突回避インターロックが決定論的な制御コードにとどまり続ける根本的な理由です。認証可能な安全機能は網羅的に特性評価可能な挙動を必要としますが、大規模なニューラルネットワークは現状その保証を提供できません。

以下の計算ツールを使って、特定のハードウェア/カメラ数の組み合わせが実際に到達できる意思決定レートを、モデルやボードを決定する前に見積もってください。 これらの推定値は初期予算策定のための技術的な近似であり、ベンダーのベンチマークではありません——設計を確定する前に実際のモデルとハードウェアで検証してください。

5つのVLAモデルが、ロボティクスチームが2026年に評価するオープン・準オープンな領域の大半をカバーし、加えて分野の方向性を追う価値のあるアクセス制限付きモデルが1つあります。 以下で「〜」が付いたパラメータ数は、一次のベンダー仕様書ではなく二次情報源に基づくものです——正確な値ではなく方向性の目安として扱ってください。

NVIDIA Isaac GR00T N1とその改訂版N1.5は、ヒューマノイド向けのVLAモデルで、オープンに公開されており、パラメータ数は約〜22億（二次情報源）です。NVIDIAはGR00T N1.5が自社のJetson Thorボードで動作すると明言しています——これは推測ではなくベンダー確認済みの搭載目標です。

Physical Intelligenceのπ0（パイゼロ）は、フローマッチング型VLAで、パラメータ数は約〜30億（二次情報源）、オープンウェイトで公開され、PaliGemma系のビジョン言語バックボーン上に構築されています（この詳細も二次情報源）。以前のVLA設計と比較して滑らかで高頻度なアクション生成が注目されています。

OpenVLAは70億パラメータで、VLA研究における一般的な学術ベースラインです——オープンで文書化が充実しており、広くベンチマーク対象になっています。そのサイズは「有能なVLAはどれだけ大きくあるべきか」の基準点となりますが、タイトな搭載レイテンシ予算に対しては通常第一選択ではありません。

Google DeepMindのGemini Robotics On-Deviceは、パラメータ数が非公開でアクセスも制限/パートナー限定です——現時点でほとんどのチームが利用できる選択肢ではありません。それでも追う価値がある理由は、Google DeepMindがインターネット接続なしでロボット上でローカルに動作するよう明示的に設計したと述べている点です。これは、オンロボット推論がクラウドファーストシステムに後付けされた研究的余談ではなく、今や第一級の導入目標であることを示す、大手研究所からの最も明確な兆候です。

SmolVLAは、パラメータ数が約〜4億5000万（二次情報源）のコンパクトなオープンVLAです——2〜70億パラメータモデルのメモリフットプリントとフォワードパスのレイテンシが予算に単純に収まらない、真に低電力なターゲットハードウェア（フルサイズのJetson系ボードではなく小型アクセラレータ）向けの現実的な選択肢です。

OctoとRT-2は世代の古いVLAアーキテクチャで、主にこの分野が現在のフローマッチングやトークン化アクション設計にどう至ったかを歴史的に把握するのに有用です——2026年の導入判断における現行の推奨ではありません。

VLAカテゴリを超えて、NVIDIAは汎用のLlama・Qwen・DeepSeek（LLM）、およびQwen2.5-VL・Llama 3.2 Vision（VLM）がJetson Thorで動作すると述べています。これらは、フルサイズのVLAが不要なロボットスタックにおける言語理解とシーン記述レイヤーを担います——口頭の質問に答えるサービスロボットや、テキストラベルを読み取るマニピュレーションアームは、アクション出力モデルをまったく必要としません。

ROS 2は、ほとんどの実運用ロボットスタックにおいて、低速な推論層と高速な制御層の間の実務的な境界です。 VLAノードは目標姿勢・サブゴール・把持点といったタスクレベルの意図をROS 2メッセージとして発行し、別の古典的な制御ノードがそのメッセージを購読し、制御ループのレートで実行します。VLAはモーターに直接話しかけることは決してなく、トピックに向けて発言し、そのトピックより下流のすべてを決定論的なノードが所有します。

NVIDIAハードウェア（Jetson OrinおよびThorクラス）では、TensorRTとTensorRT-LLMが、量子化されたVLAやLLMを到達可能な推論レートに導く標準的なランタイム経路です——カーネル融合、精度キャリブレーション（FP8/INT8/INT4）、そして単純なPyTorch推論ループでは活かされないハードウェア固有の最適化を行います。このステップを省くことが、「理論上は」目標Hzに到達すべきモデルが実際には到達しない最も一般的な理由です。

NVIDIAベースではない小型の搭載ターゲット——Hailo-10Hアクセラレータやコンパクトなarmベースのボード——では、ExecuTorchとllama.cppが言語/知覚コンポーネント向けの妥当なランタイム経路です。どちらも今日そのままフルVLAランタイムとして使えるわけではありません。これらの小型ボードを狙うチームは、フルVLAよりもコンパクトなVLM（知覚/シーン記述向け）を動かすことが多く、タスク計画はルールベースのロジックに単純化するか、より小型のアクセラレータが維持できる頻度でより低頻度に実行します。

実務的な統合パターンを順に示すと：（1）VLA/VLMノードは到達可能なHzで非同期に動作し、意図をROS 2トピックへ発行する。（2）古典的なプランナーがそれを購読し、意図を軌道に変換する。（3）制御ノードが100〜1,000Hzで軌道を実行し、独自のセンサーフィードバックループを使い、行動のために次のVLA出力を待つことは決してない。VLAノードが停滞または遅延した場合、制御ノードは最後の有効な軌道の実行を継続するか、安全に位置を保持する。低速層をブロックすることはない。

倉庫内の自律移動ロボット（AMR）と農業機械が、今日のロボット自律性の導入実態を代表しています——ヒューマノイドはメディアの注目を集めますが、本記事で扱う機械クラスの中で最も導入台数が少ないものです。 このギャップは、エンジニアリングの時間をどこに投資するか決める人にとって重要です。最も計算負荷が高く最も話題になるロボットカテゴリは、実際に現場で稼働している台数が最も少ないカテゴリでもあります。

ヒューマノイドは最も計算負荷が高く、最も導入が少ないクラスです。最も多くのセンサーと自由度を搭載し、それに応じて最も重い推論層のワークロード（複数カメラストリーム、全身のタスク計画）を抱えています。だからこそ、最新かつ最も高性能な搭載シリコン（Jetson Thor）と最新のVLAアーキテクチャ（GR00T N1.5）の主要ターゲットなのです。今日の導入台数は、受けている注目に比べれば小さいものです。

自律移動ロボット（AMR）——倉庫で在庫を移動させる車輪型ロボット——は何年も前から商業的に有意義な規模で導入され、古典的なナビゲーションと障害物回避スタックを動かしています。2026年に変わりつつあるのは、すでに成熟した自律性スタックの上に言語/ビジョンのインターフェース層を追加することです。シーン記述用のVLAや、人間が自然言語で指示を与えられる軽量なタスク計画層であり、既存のナビゲーションロジックを丸ごと置き換えるものではありません。

固定式製造セル内の産業用アームは、これら両極の間に位置します。動作計画と制御は通常、何十年も前から完全に古典的なままです（溶接やピック・アンド・プレースのアームは、教示された軌道を繰り返すのにVLAを必要としません）。しかし、知覚レイヤー——欠陥検出、部品識別——は軽量なビジョンモデルの利用が増えています。固定位置のカメラと制約されたタスクにより、フルVLAなしでも十分な、より小さく目的特化したモデルで足りるためです。

農業機械は、「AIロボティクス」の報道で最も見落とされがちな導入クラスですが、現在のVLAの波よりずっと前から、GPS誘導ステアリングやトラクター・収穫機の障害物検出といった商業的自律性を何年も前から大規模に導入しています。今追加されつつあるのは、AMRと同じパターンです。作物や雑草の識別、自然言語によるオペレーター指示といった言語/ビジョンのインターフェース層を、すでに自律的で古典的なナビゲーション・制御システムの上に載せるという形です。

3つのハードウェアカテゴリが、オンロボット推論構築の大半をカバーします。推論層向けのJetson系開発キット、知覚入力向けの1台以上の深度/ステレオカメラ、そしてすべてを搭載するロボット開発プラットフォームです。 このセクションではカテゴリのみを示し、具体的な型番・価格・ベンダーの主張は示しません——両方とも記事が追跡できるより速く変化するため、購入前に各ベンダーで最新の仕様と価格を直接確認してください。

Jetson OrinおよびJetson Thor開発キットは、搭載VLAまたはVLMを評価するための標準的な出発点です——電力エンベロープと相対的な計算能力を含む階層別の内訳（Orin NanoからAGX Thorまで）についてはローカルLLM向けエッジAIハードウェアを参照してください。

深度またはステレオカメラは、VLAの標準的な知覚入力です——公開されているVLA研究とベンダーのリファレンスデザインの大半は、単眼RGBのみではなくRGB-Dまたはステレオ入力を前提としています。深度情報が、アクション出力レイヤーが依存する把持点と障害物距離の推定を単純化するためです。

ロボット開発プラットフォーム——ゼロからの機械的な組み立てではなく、車輪型またはアーム型のリファレンスプラットフォーム——は、カスタムハードウェアに踏み切る前にVLA統合を検証するチームにとって実務的な出発点です。

積極的にローカルファーストなアーキテクチャであっても、4つのワークロードはロボットの外にとどまります：フリート学習、モデル更新、ロボット間コンテキスト共有、そして重量級シミュレーションです。 いずれも知覚やタスク計画のようにレイテンシに敏感ではなく、いずれも単一のロボットではアクセスできない計算資源とデータの恩恵を受けます。

フリート学習——多数の導入済みロボットの経験を集約して共有ポリシーやモデルを改善すること——は本質的に単一のロボットが持つより多くのユニットからのデータを必要とし、関わる学習用計算資源は搭載アクセラレータの予算や用途をはるかに超えます。

モデル更新（新しいVLAチェックポイント、微調整済みの知覚モデル）はロボット上で学習されるのではなく、ロボットに向けてプッシュされます。ロボットは今日使われているほぼすべての実運用導入パターンにおいて、学習ノードではなく推論ターゲットです。

ロボット間コンテキスト——あるロボットが同じフリート内の別のロボットが直前に観測した内容から恩恵を受けること——は共有バックエンドを必要とします。あるロボットが別のロボットのセンサー履歴に直接アクセスできる有用な搭載メカニズムは存在しないためです。

重量級シミュレーション——学習データ生成や導入前のポリシー検証に使われる大規模な物理・レンダリングワークロード——は、フリート学習と同じ理由でデータセンター級の計算資源上で実行されます。計算予算に搭載機器での同等物が存在しないためです。

EUでは、機械の安全部品として機能するAIコンポーネントはEU AI法の下でハイリスクとして扱われ、EU機械規則（2023/1230）——2027年1月から適用——はAI駆動の安全機能を持つ機械に対して別途適合性評価を要求します。 安全機能の経路にモデルが介在するロボットは、一方だけでなく両方の枠組みを満たす必要がある可能性があります。

以下は公表された規制ガイダンスではなく、我々自身の論理的分析です。本記事全体で説明している二層アーキテクチャ——安全機能（非常停止、トルク制限、衝突インターロック）を決定論的な古典的制御コードにとどめ、VLA/LLMの推論層を安全機能を直接ゲートしない助言的またはタスクレベルの役割に限定すること——は、適合性評価の負担をおそらく軽減します。なぜなら、認証可能な安全機能は事前に網羅的に特性評価可能な挙動を必要とし、決定論的コードはそれを提供できますが、大規模なニューラルネットワークは現状それを提供できないためです。この枠組みを確認する特定のガイダンスを規制当局が公表しているとは我々は認識していません。これはコンプライアンスの保証ではなく、自身の法律顧問とともに評価すべき技術・コンプライアンス上の論点として扱ってください。

これは法的助言ではありません。適合性評価の範囲、適用される整合規格、および特定のロボットの安全機能の分類は、実際のシステム設計と販売先の法域に依存します——特定製品のコンプライアンス判断を行う前に、資格を持つ法律・規制の専門家にご相談ください。日本国内での導入にあたっては、経済産業省のAIガバナンス関連指針も参照する価値があります。