6台のロボットがWAIC 2026で81,920個のブロックを使って万里の長城を制作
2026年上海世界人工知能大会において、6台のロボットが異例の公開挑戦に臨んだ。15時間以内に81920個のマイクロブロックを用いて、大型の万里の長城模型を組み立てるというものだ。
6台のロボットがWAIC 2026で81,920個のブロックを使って万里の長城を制作
はじめに
2026年上海世界人工知能大会において、6台のロボットが異例の公開挑戦に臨んだ。15時間以内に81920個のマイクロブロックを用いて、大型の万里の長城模型を組み立てるというものだ。
完成した建築構造物は、長さ約3.5メートル、幅約1.5メートル、最高地点約1.1メートル。4台のデスクトップロボットと2台の車輪型人型ロボットが協力し、精密なブロック配置から大型モジュールの運搬・組み立てまでを全て担当した。
元の報道によれば、これらのロボットは遠隔操作や事前に設定された固定動作スクリプトを必要とせず、自律的に動作する。作業スペースを認識し、次の行動を決定し、互いに調整し、配置ミスを検出し、組み立て中の誤差を修正する必要がある。
大型ブロックの長城展示の横で作業する一台のロボット。
この挑戦はDexmal（中国名：元力灵机）が主催した。同社はこれを、具現化知能が短時間のデモンストレーションの限界を超え、実際の展示環境で長時間・高精度・物理的協調を要するタスクを実行できるかどうかを検証する公開テストとして位置づけた。
正確性に関する注記： 「世界初」「完全自律」「業界最先端」といった記述は、Dexmalまたは元の報道に基づくものである。公開デモや技術資料は全体の設定を裏付けるが、情報源は各操作の詳細について完全な独立審査を提供していない。
8万個のブロックとスクリプトなしの公開テスト
ブロックの長城は一見、展示会場向けの目玉企画に思える。しかし、その技術的要求を分解すると、このタスクはロボットが実験室のデモから実際の生産応用へと進む際の長年の課題3つに突き当たる。
サブミリ級の精密操作
ブロックは緊密かつ一貫して接続される必要がある。そのため、ロボットは約0.1～1ミリメートルの範囲で制御された動作を実行しなければならない。
この精度には、複数の能力の連携が求められる：
- 正確な視覚・空間認識能力
- 微細な運動制御能力
- 安定した駆動能力
- 信頼性の高い接触検出能力
- 微小な位置決め誤差を修正する能力
課題は、単に物体を一点から別の点へ移動させることではない。各ブロックは位置合わせされ、押し込まれ、周囲の構造と一体化する必要があり、同時に既に配置されたブロックを壊してはならない。
元の報道では、必要な安定性を、人間の手がリラックス状態で示す自然な震え（同程度の尺度に達しうる）と比較している。実際の要点は単純だ：ロボットは何千回もの反復動作の中で、精度と一貫性を維持しなければならない。
6台のロボット、単一の司令塔なし
2つ目の難点は調整である。
このシステムは6台のロボットで構成され、2種類の異なる機体タイプがある。これらは同じ物理的作業スペースを共有し、互いに衝突することなく、かつ同じ操作を重複することなく、分業協力しなければならない。
報告によれば、中央制御台で人間のオペレーターがチーム全体を常時指揮しているわけではない。その代わり、各ロボットが自律的に周囲を認識し、局所的な意思決定を行い、相互通信によってタスクの割り振りを調整する。
より微細で精密な操作はデスクトップロボットに割り当てられ、車輪型人型ロボットは移動、運搬、より大規模な組み立て手順を担当する。
マルチエージェント調整はシミュレーションや研究論文では一般的である。しかし、混雑した展示環境で異種ロボットに長時間協調動作させることははるかに困難である。通信遅延、認識誤差、物理的障害、蓄積された位置ずれが全体のプロセスに影響を及ぼすからだ。
15時間の連続運転
最後の難点は時間である。
ロボットが数分間、厳選された動作を実行するのは印象的かもしれない。しかし、15時間のタスクは別の問題を提起する：動作数が増えるにつれて、システムは精度を維持し、微小なエラーから回復できるか？
各ブロックは新たな位置ずれのリスクをもたらす。構築初期の微小なミスが後の部分に影響を及ぼす可能性があるため、システムには閉ループが必要である：
- 現在の状態を観察する。
- 次の動作を選択する。
- 配置を実行する。
- 結果が期待状態と一致するか確認する。
- 必要に応じて動作を修正する。
- 更新された状態から続行する。
精度、協調、持続時間の総合テストは、具現化AIが単なる短期的で孤立したデモではなく、有用な作業時間を生み出せるかどうかを検証することを目的としている。
マルチロボットチャレンジはWAIC 2026展示会で多くの観客を集めた。
チャレンジで使用されたハードウェアには Dexmal Apex が含まれる。同社はこれを、具現化型ネイティブの汎用ロボットと説明している。Dexmalによれば、Apexはハードウェア設計と具現化基盤モデルを組み合わせ、長時間稼働、精密操作、より広範なタスク汎化、群衆の中での安全なインタラクションを実現する。
ロボットはデモで目に見える部分である。その基盤となる知能は、Dexmalの最新具現化基盤モデル DM0.5 から来ている。
DM0.5 と汎化能力の創発
Dexmalは7月初めのAction 2026開発者イベントでDM0.5を発表した。このモデルはDM0の後継であり、一連の固定スクリプトタスクではなく、オープンワールドでのロボット制御向けに設計されている。
DM0.5 はオープンワールドでのロボットタスクを汎用的に処理することを目指している。
Dexmalの公式技術ブログによれば、このモデルは視覚-言語-動作アーキテクチャを採用しており、具体的には以下の要素を含む：
- Gemma 3 4B 視覚-言語基幹ネットワーク
- 6億8000万パラメータのAction Expert
- 連続的なロボット動作生成
- マルチロボット・マルチタスクトレーニング
- 最大60秒の過去の視覚コンテキスト
元の報告によれば、このモデルは約15万時間のマルチソースデータに基づいてトレーニングされており、データソースは実ロボット操作、一人称視点の人間活動、ナビゲーション、環境再構築、汎用視覚-言語データを含む。
報告によれば、DM0と比較してデータ量は400%増加し、パラメータ数は約2倍になった。
しかし、より重要な変化は単なる規模の拡大ではない。Dexmalは、モデルがタスクの進捗を理解し、物理的環境を推論し、人間のオペレーターの個別の時間バイアスを複製することなく動作を学習するのを支援するための、いくつかのメカニズムを追加した。
公式のDM0.5アーキテクチャ図。VLMバックボーンネットワーク、コンテキスト層、推論タスク、Action Expertを示しています。
ロボットが世界を理解するための3つの新しい構造
原文では、新たに追加された3つのアーキテクチャコンポーネントが重点的に紹介されています。それぞれが、長期的な身体化タスクにおける異なる弱点に対処しています。
コンテキスト抽象化層：最長60秒の記憶
従来のVLAモデルは通常、現在のカメラ画像と現在のロボット状態のみに基づいて意思決定を行います。これは短期的な動作には適していますが、タスクの後半に必要な情報が見えなくなると、この手法は脆弱になります。
DM0.5はコンテキスト抽象化層を追加し、現在の観測と最近の履歴から選択された視覚情報を統合します。Dexmalによると、このモデルは最長60秒のタスクコンテキストを統合できます。
トレーニング中、履歴情報の長さと利用可能性は変化します。過去の情報が欠落しているか役に立たない場合、モデルは完全に失敗するのではなく、現在の観測にフォールバックするようにトレーニングされます。
Dexmalは簡単な実験でこれを説明しています。カップを手に取り、カップの下の領域を拭き、カップを元の位置に戻すというタスクです。
カップが持ち上げられると、その開始位置は現在の画像から消えます。現在だけに焦点を当てたモデルは、カップを任意の場所に戻す可能性があります。一方、履歴コンテキストを持つモデルは、カップが移動する前の位置を記憶できます。
「万里の長城」タスクでは、同じ原理がより大規模に重要になります。ロボットは、どの部分がすでに組み立てられたか、局所的な構造がどのように変化したか、そしてプロセスの次のステップが何であるかを理解する必要があります。
身体化思考連鎖：
推論と行動の並行処理
DM0.5は、ロボットデータトレーニングに新たに11の自己回帰推論タスクを追加しました。
このモデルは、現在の画像、ロボット状態、指示、履歴コンテキストを利用して、制約付き質問に答えるようにトレーニングされています。これらの質問は以下の側面を網羅しています：
- 現在のタスクフェーズ
- 完了した内容
- 次に実行すべき操作
- 環境で起こり得る変化
- 次の動作の背後にある意図
- 次の動作の意味的説明
これにより、トレーニング信号は単なる動作予測から、以下の組み合わせへと変化します：
- 指示理解
- 時間的推論
- 環境予測
- 動作生成
実際の応用では、ロボットは特定の画像のもとでどのモーター指示を実行すべきかを理解するだけでなく、なぜその動作が適切なのかを表現する必要があります。
これは81,920個のブロックを含むタスクにとって特に重要です。システムは各配置動作を独立したイベントとして扱うのではなく、単一の動作を全体の構築プロセスの進行状況と結びつける必要があります。
軌道アライメント層：オペレーターのリズムではなくタスクを学習する
ほとんどのロボットデモンストレーションデータは、人間による遠隔操作によって収集されます。異なる人が同じタスクを異なる速度、休止、動作スタイルで実行します。
モデルが各予測動作をデモンストレーション記録の固定タイムスタンプと強制的に合わせると、基盤となるタスクではなく、オペレーターのリズムを学習する可能性があります。
DM0.5の軌道アライメント層は、正確な時間ではなくタスクの進捗状況に基づいて動作を調整します。
各予測動作は、実軌道内の適切なポイントと照合されます。照合は単調に前方に進む必要があるため、後続の予測動作はデモンストレーションの初期部分とペアになることはできません。その後、動的計画法を使用して、シーケンス全体で損失の低い対応関係を検索します。
この手法は、以下のような重要な物理的イベントを強調することを目的としています：
- 把持
- 位置合わせ
- 接触
- 押圧
- 解放
オペレーターの個人的な速度は重要ではなくなり、タスクの意味のある構造がより明確になります。
Dexmalは、これにより異なるデモンストレーターや実行速度に対する汎化性能が向上すると述べています。
RoboChallenge Table30 V2 におけるDM0.5の結果
万里の長城デモはオープンエンドの公開テストでした。Dexmalは標準化されたロボットベンチマークでもDM0.5を評価しました。
RoboChallenge Table30 V2 において、同社は以下を報告しています：
- 43%の全体成功率
- 54.42の総合スコア
- 公開された比較の中で最先端の全体的な性能
Table30 V2は、4種類のロボット形態にわたる30の実ロボット操作タスクを含みます。このベンチマークには、長期記憶、マルチステップ実行、目標位置特定、精密なピックアンドプレース、ツール使用、両手協調が含まれます。
データセットと評価フレームワークはRoboChallengeとHugging Faceを通じて公開されています。また、Table30 V2の手法はCVPR 2026ワークショップ論文でも発表されています。
これらの結果は万里の長城チャレンジに関連しています。なぜなら、両方のシナリオで、モデルが物体を認識したりテキスト指示を生成したりするだけでなく、知覚、タスク進行、微妙な動作、物理的実行を調整できるかどうかがテストされるからです。
実ロボット使用前にワールドモデルで練習する
強力なベースモデルだけでは、15時間の公開デモを支えるには十分ではありません。
元の報告書によると、Dexmalは後期トレーニングでもDFOL 2.0フレームワークを使用していました。このフレームワークはDW0.5ワールドモデルを統合しており、物理ハードウェアに完全に展開する前に、仮想またはモデル生成環境でタスクの一部を練習し、改良することを可能にします。
基本的な考え方は、コストのかかる動作をシステム内部でリハーサルさせることです。
従来のロボット開発は、反復的な物理的試験に依存することがよくありました：
- ロボットを動かす。
- 失敗を観察する。
- さらにデータを収集する。
- モデルを調整する。
- 実機で繰り返す。
このプロセスは遅く、コストがかかります。実際のロボットは摩耗し、物理的な作業スペースはリセットする必要があり、失敗するたびにエンジニアリング時間が消費されます。
ワールドモデルは、実験の一部をシミュレーションや学習済み予測に移すことができます。ロボットポリシーは、貴重な実機時間を占有する前に、可能な動作をテストし、結果を推定し、タスク実行を改善できます。
大規模な構築タスクでは、これにより観客の前で行わなければならない試行錯誤の回数が減ります。また、チームにプロセスをリハーサルし、潜在的な失敗点を調査し、最終検証のために実機を残しておく方法も提供します。
情報源は公開のDFOL 2.0実装を提供しておらず、万里の長城タスクのうちシミュレーションで行われた量についても詳細は述べられていません。したがって、この説明はDexmalによる後期トレーニングプロセスの説明として理解すべきであり、独立して再現可能な結果としてではありません。
ブロックから製造業の最も困難な部分へ
なぜ8万個以上のブロックを使うのか？
これらのブロックは、柔軟な製造において重要な、いくつかの能力を測定するためのコンパクトなテストを作成します：
- サブミリメートル単位の配置
- 長時間の繰り返し精度
- 視覚的に類似した小さな部品の取り扱い
- エラー検出と修正
- 動的な分業
- 異なるタイプのロボット間の調整
- 絶えず変化する物理環境での安定動作
タスクが反復的で標準化され、厳密に制御されている場合、従来の産業用ロボットは非常に効率的です。しかし、物体の位置が変化したり、材料の特性が異なったり、正しい動作が視覚的判断に依存する場合、それらの柔軟性は低くなります。
元の報告書は、これらの操作が繊細で、非標準的で、柔軟性が高く、または高度に知覚に依存しているため、依然として人間の労働に依存している製造業務が存在すると考えています。例えば：
- 精密組み立て
- 柔らかい材料や壊れやすい材料の調整
- 欠陥の修正
- 初回製品の検査
- 狭い空間での作業
- 一品一様のタスクの取り扱い
これらのタスクが製造業の「最後の20%」を代表するという正確な主張は、情報源における表現として理解すべきであり、普遍的な業界統計ではありません。
それでも、つながりは明確です。万里の長城は展示用のオブジェクトですが、そこでテストされた能力――精密操作、継続運用、マルチロボット調整――は、柔軟な生産ラインに直接関連しています。
設立16ヶ月のスタートアップがどのように
WAICブースに到達したか
Dexmalは2025年3月に設立されました。元の報道によると、コアチームには元Megviiの研究者やエンジニアが含まれており、複数回の資金調達を受けています。
その使命は、知的で有用で信頼できるロボットを構築することです。
Dexmalは、自社の技術方向性を具身ネイティブ開発と位置づけている。同社は、主にインターネット上のテキストや画像向けのモデルに適応させるのではなく、物理世界でロボットが動作するために必要な要件に基づいてモデルを訓練している。
DM0は、同社初の具身ネイティブ基盤モデルである。DM0.5はこれを拡張し、より長い記憶、より強力な推論能力、より多くの訓練データ、マルチフォーム対応、そして改良されたオープンワールド汎化能力を備えている。
同社はまた、このモデルを中心にインフラストラクチャを開発している。
Dexbotic
Dexboticは、PyTorchベースのオープンソースのビジョン・ランゲージ・アクション（VLA）ツールボックスである。複数のVLAポリシーの訓練と評価のための統一開発環境を提供する。
このフレームワークには以下が含まれる：
- 汎用データフォーマット
- モデル実装
- 訓練パイプライン
- 推論サービス
- 複数のロボットプラットフォーム対応
- シミュレーションおよび実世界評価ツール
Dexboticは、公式ドキュメントとGitHubリポジトリを通じて公開されている。
RoboChallenge
RoboChallengeは、Hugging Faceと共同開発された大規模な実ロボット評価プラットフォームである。
このプラットフォームは、共有された物理タスクとハードウェア構成でモデルを評価できるようにすることで、ロボットポリシーのテストの再現性を高めることを目的としている。
そのベンチマークであるTable30とTable30 V2は、多様なロボット形態と実際の操作タスクをカバーしている。RoboChallengeとHugging Faceを通じて、公開データセット、論文、評価リソースが入手可能である。
Atomix
Dexmalの商業アプリケーションのポートフォリオには、柔軟な倉庫自動化事業であるAtomixも含まれる。
元の記事によると、Atomixは保管、運搬、ピッキングのプロセスを統合し、大手小売、飲料、フードサービスの顧客と協業した実績がある。これらの顧客や市場での優位性に関する主張は元の記事に基づくものであり、本稿で独自に検証したものではない。
DM0.5、Dexbotic、RoboChallenge、そしてAtomixは、フルスタック戦略を構成している：
- 具身基盤モデルの構築。
- 訓練とデプロイツールの提供。
- 実ロボット評価プラットフォームの作成。
- 実際のビジネスシナリオへの技術適用。
長城装置は、WAIC 2026において最も注目を集めたフルスタック技術の公開デモンストレーションであった。
デモの実際の内容
公開されたロボットチャレンジは、汎用具身AIがすでに解決されたことを証明するものではない。
しかし、通常は個別に評価されることが多い複数の能力をテストするための有益な機会を提供している：
- 精密制御
- 長期記憶
- エラーリカバリ
- マルチロボット協調
- 異種ハードウェアの調整
- 連続運転
- 実世界認識
- タスクレベルの推論
デモの最も重要な部分は、壁そのものではない。むしろ、6台の物理マシンを協調して十分に長い時間動作させ、微妙な欠陥や調整の問題を露呈させようとした点にある。
不可避である。
Dexmalが公式発表したDM0.5の資料は、最終的に「実世界こそがロボットの最良の教師であるべきだ」と指摘している。このビジョンでは、あらゆる試行、成功、失敗、修正が、システムの改善に役立つ新しい情報となる。
2026年の世界人工知能大会で、ロボットはマイクロブロックを組み立てていた。その長期的な目標は、タスクを完全に事前プログラムできない製造、物流、サービス、その他の作業環境に、同じクローズドループの学習と実行プロセスを導入することである。
よくある質問
長城チャレンジには何台のロボットが参加しましたか？
合計6台のロボットが参加した：4台のデスクトップロボットと2台の車輪型人型ロボットである。これらは同一の物理エリア内で協調し、構築プロセスにおける異なる役割を担当した。
何個のブロックが使用されましたか？
モデルでは合計81,920個のマイクロブロックが使用された。構造物の長さは約3.5メートル、幅は約1.5メートル、最高点は約1.1メートルであった。
ロボットチャレンジはどのくらいの時間続きましたか？
計画された連続稼働時間は15時間であった。このチャレンジは、長時間の物理動作におけるロボットの精度と協調性を維持する能力をテストすることを目的としている。
ロボットは遠隔操作されていましたか？
元の報告によると、ロボットは継続的に遠隔操作されておらず、完全に固定された動作スクリプトにも依存していなかった。ロボットは感知、局所的な意思決定、通信、エラー訂正能力を活用していたが、情報源には操作設定に関する独立した完全な技術監査は含まれていなかった。
DM0.5とは何ですか？
DM0.5は、Dexmalが開発したロボット制御用のオープンワールドビジョン・ランゲージ・アクション基盤モデルである。Gemma 3 4Bビジョン・ランゲージバックボーンネットワーク、680Mのアクション専門家モジュール、履歴コンテキストモデリング、具身推論タスク、軌跡アライメント技術を採用している。
DM0.5はオープンソースですか？
Dexmalは、Apache 2.0ライセンスの下でOpenDMコードベースを公開し、Hugging Faceを通じてDM0.5モデルリソースを公開している。コードベースには、モデル重み、訓練・推論スクリプト、データセットサンプル、評価ワークフローが含まれている。
RoboChallenge Table30 V2とは何ですか？
Table30 V2は、4種類のロボット形態における30の操作タスクを含む実ロボットベンチマークである。評価される能力には、長期記憶、順序実行、精密操作、ツールインタラクション、両腕協調が含まれる。
世界人工知能大会のデモは、ロボットが工場内の残りの人手作業を代替できることを証明しましたか？
いいえ。このデモは、精度、長時間運転、協調性におけるロボットの進歩を示したが、すべての柔軟な製造タスクが自動化可能であることを証明したわけではない。実際の生産環境では、追加の安全性、信頼性、統合、コスト、保守の検証が必要である。
関連ツール
- OpenDM：Dexmalがオープンソース化したDM0.5モデルの重み、訓練、推論、デプロイワークフローのコードベース。
- Hugging Face上のDM0.5：公式のDM0.5ベースモデルおよびファインチューンモデルリソースコレクション。
- Dexbotic：ビジョン・ランゲージ・アクションモデルの開発と評価のためのオープンソースPyTorchツールボックス。
Dexboticドキュメント：インストール、アーキテクチャ、訓練、データ、推論、モデル開発に関する公式ガイド。
- RoboChallenge：具身ポリシー評価のための実ロボットベンチマークプラットフォーム。
- Table30 V2データセット：30タスクを含む更新版実ロボットベンチマークの公開データセットページ。
関連リンク
- 公式DM0.5技術ブログ：モデル、データ、アーキテクチャ、ベンチマーク結果に関するDexmalの詳細な解説。
- OpenDM GitHubリポジトリ：公式オープンソース実装とデプロイドキュメント。
- DM0.5 Hugging Faceコレクション：公式モデルチェックポイントとファインチューンバリアント。
- RoboChallenge公式ウェブサイト：大規模実ロボット評価プロジェクトの公式サイト。
- Table30 V2 CVPR 2026ワークショップ論文：更新版実ロボットベンチマークを解説した論文。
- Dexboticドキュメント：オープンソースVLA開発フレームワークの公式ドキュメント。
- [2026世界人工知能大会 必見展示品](https://english.shanghai.gov.
cn/en-ParticipateExplore/20260717/36193160d9d94efb9c0aa5fa4fbed5fd.html)：上海官方が確認、6台のロボットによる15時間の万里の長城展示の概要
まとめ
2026年世界人工知能会議において、6台のDexmalロボットが15時間連続で稼働し、81,920個の超小型ブロックを使用して万里の長城の模型を構築した。このタスクは、サブミリ精度の配置、複数ロボットの協調、長時間運用、およびクローズドループの誤差修正能力を組み合わせたものである。
今回のデモは、Dexmalのオープンソース具身基盤モデルDM0.5によって駆動された。主な新機能には、最長60秒の履歴コンテキスト記憶、具身推論タスク、そして人間による遠隔操作の速度差の影響を低減する軌跡調整技術が含まれる。
さらにDexmalは、ワールドモデルに基づくポストトレーニング技術を採用し、今回のデモを同社のより広範なOpenDM、Dexbotic、RoboChallenge、および倉庫自動化製品群と連携させている。ただし、性能や市場での位置づけに関する一部の主張はあくまで同社による自己報告であり、第三者による検証は行われていないことに留意されたい。
万里の長城はあくまで展示の手段であり、真の試練は、具身AIが一勤務シフトの全時間にわたって、精度、協調性、実用性を維持できるかどうかにある。