米カリフォルニア大学バークレー校（UC Berkeley）の研究チームは2026年10月、微分可能な世界モデルによりヒューマノイドの強化学習に必要な計算量を従来の約7200分の1に削減する技術「SuperMimic」を発表しました。川崎重工業や本田技研工業など全身運動制御のシミュレーション環境を構築してきた国内メーカーにとっても、制御モデルの学習サイクルを数週間から数時間へ短縮する技術基盤として直結します。
2.1万GPU時間から3時間へ急減したヒューマノイド学習計算基盤
ヒューマノイドロボットの全身制御（Whole-Body Control）において、強化学習の計算リソース要求は開発の最大の障壁となっていました。エヌビディア（NVIDIA）が2025年11月に発表した先行モデル「SONIC」は、128基のGPU（L40）を用いて7日間、計約21,000 GPU時間を費やして動作追従モデルを構築していました。
これに対し、ピーター・アビール（Pieter Abbeel）教授らが発表したSuperMimicは、単一のNVIDIA H100 GPUを用いてわずか3時間（3 GPU時間）の学習でSONICの追従スコアを上回りました。実時間（Wall-clock time）では約56倍、累積GPU時間換算では約7200倍の高速化を達成しています。
| 比較項目 | 先行手法（NVIDIA SONIC） | SuperMimic（単一GPU） | SuperMimic（2基構成） |
|---|---|---|---|
| 使用ハードウェア | 128基（NVIDIA L40） | 1基（NVIDIA H100） | 2基（NVIDIA H100） |
| 学習所要時間 | 7日間（約168時間） | 3.0時間 | 9.8時間 |
| 累積GPU時間 | 約21,000 GPU時間 | 3 GPU時間 | 約19.6 GPU時間 |
| 動作追従失敗数 | 179件 | 25件 | 0件（完全追従） |
検証データセットである「BONES-SEED」（129,514種類の動作、合計約264時間分）に対するトラッキング性能では、SONICが179件の失敗を記録したのに対し、SuperMimicは3時間の学習時点で失敗数を25件に抑制しました。さらに2基のGPUで9.8時間学習させたモデルでは、失敗数0件の完全追従を記録しています。
オープンソースコミュニティにおける追試も急速に進んでいます。2026年10月下旬以降、「Uni-SuperMimic」や「realmimic」といった再現実装が相次いで公開されました。民生用GPUであるGeForce RTX 4090を1基用いた環境でも約10.5時間で学習が収束することが第三者により確認されています。大規模なGPUクラスタを持たない研究機関やスタートアップでも、高度な全身制御器の訓練が可能な環境が整いつつあります。
参考記事: 人型ロボットの現場展開とデータ蓄積の仕組み｜GPT-2段階から2028年量産への技術ロードマップと課題
微分可能世界モデルによる勾配伝搬と状態量アプローチ
従来のロボット強化学習は、物理演算シミュレータ（Isaac GymやMuJoCoなど）を用いたブラックボックス型のサンプリングに依存していました。従来の強化学習アルゴリズム（PPOなど）では、環境から得られる報酬シグナルを頼りにポリシーを更新するため、高次元な全身制御では膨大な試行回数が不可欠でした。
SuperMimicは、ロボットの身体力学と接触ダイナミクスをニューラルネットワークによる単一の「微分可能な世界モデル」としてモデル化しました。順方向の物理シミュレーションを微分可能な形で近似することで、タスクの損失関数からロボットのアクションへ直接勾配を逆伝搬（Backpropagation through time）させることが可能になりました。試行錯誤によるポリシー勾配の推定を介さず、解析的な勾配情報を用いて直接パラメータを最適化できる点が劇的な高速化の主因です。
【従来の強化学習（ブラックボックス型物理シミュレータ）】
制御ポリシー ──(アクション)──> 物理シミュレータ ──(状態・報酬)──> PPO等のサンプリング推定 ──(高分散な勾配)──> ポリシー更新
※数億ステップのサンプリング試行と数万GPU時間が必要
【SuperMimic（微分可能なニューラル世界モデル）】
制御ポリシー ──(アクション)──> 微分可能世界モデル ──(予測状態)──> 追従損失（Loss）
▲ │
└────────────────── 解析的勾配の直接逆伝搬 ───────────────────────┘
※数時間の勾配降下で高精度な最適化が完了
世界モデルをめぐるアプローチの違いも明確になっています。近年注目される動画行動モデル（World Action Model: WAM / Video Action Model: VAM）は、動画生成拡散モデルを用いて視覚的な未来フレームを予測します。例えばエヌビディアの「DreamZero」や1X Technologiesのモデルは、ピクセル空間での予測を通じて操作タスクを獲得するアプローチです。
一方、SuperMimicはロボットの関節角度や角速度、接触力といった低次元の物理状態量を直接予測するアプローチを採っています。ピクセル生成に伴う膨大な計算コストを排除し、全身の動力学制御に必要な物理量を直接扱うことで、ミリ秒単位の俊敏なトルク制御と高い計算効率を両立させました。
実機検証では、中国Unitree Robotics（宇樹科技）の小型ヒューマノイド「Unitree G1」が使用されました。シミュレーション上で学習した単一のポリシーを用い、動作ごとの個別調整（per-motion tuning）を挟むことなく、複雑なダンスやアクロバティックな宙返り動作のゼロショットSim-to-Real転移を成功させています。
参考記事: 1X World Modelの仕組みと衝撃｜動画学習でNEOが獲得した「汎用性」と次なる技術的課題
物理シミュレータ投資の再設計と日本企業が直面する開発基盤の転換
SuperMimicが示した計算効率化は、産業用ロボットやヒューマノイド開発を手がける国内製造業の制御ソフトウェア開発プロセスに直接的な見直しを迫ります。
国内のロボティクス開発現場では、MuJoCoやIsaac Sim、Gazeboなどの物理エンジン上に精緻なデジタルツインを構築し、接触判定や剛体パラメータをすり合わせるエンジニアリングに多くの工数が割かれてきました。しかし、剛体シミュレータ内部の接触不連続性は勾配計算を妨げるため、サンプリング効率の低さがアルゴリズム側のボトルネックとなっていました。
世界モデルが物理エンジンの代替または上位ラッパーとして機能し始めることで、開発の力点は「高精度な接触エンジニアリング」から「微分可能モデルの汎化性能設計」へと移行します。国内のロボット制御技術者は、モデル予測制御（MPC）の知見を微分可能世界モデルのアーキテクチャ設計へと再接続する必要があります。
一方で、構造的な障壁も存在します。国内メーカーの多くは、高精度な減速機やアクチュエータの機構設計に強みを持つ反面、ニューラルネットワークベースの世界モデルを高速に学習・検証するためのMLOps基盤の整備が遅れがちです。民生用GPU 1基で検証可能になったとはいえ、実機ごとの個体差や外乱耐性を組み込んだ世界モデルを自社運用するには、機械学習エンジニアと制御工学技術者の緊密な協業体制が不可欠です。
参考記事: フィジカルAIにおける日本の勝ち筋とは？富士通・ロボット3社・NVIDIA連携の仕組みとロードマップ
開発責任者が着手すべき制御基盤の再評価
SuperMimicの登場は、ヒューマノイドの全身運動ポリシーの獲得が計算資源の富豪的投入を前提とするフェーズから、アルゴリズムの効率性によって数時間で反復可能なフェーズへ移行したことを示しています。技術責任者および投資家は、以下の観点から開発戦略を点検する必要があります。
オープンソース再現コードによる自社ロボットモデルの適合性検証
公開されているUni-SuperMimic等のリポジトリを用い、自社が保有するロボットのURDF（Unified Robot Description Format）モデルを微分可能世界モデルに組み込み、従来のPPOシミュレーションとの学習収束速度および追従誤差を比較検証する。
制御スタックにおける動画生成型モデルと状態量型モデルの役割分担の明確化
上位の物体認識やタスク計画にはカメラ映像を扱うVLAやWAMを配備しつつ、下位の関節トルク制御や動的バランス維持にはSuperMimicのような状態量ベースの微分可能世界モデルを充てる2層構造のシステムアーキテクチャを設計する。
シミュレーション評価指標のサンプリング効率中心から勾配伝搬精度への見直し
開発ベンチマークを「物理シミュレータの並列実行インスタンス数」から「ダイナミクス予測モデルの局所線形性と勾配爆発・消失の抑制能力」へと切り替え、学習パイプラインの計算コスト最適化を図る。
出典: 日経Robotics（日経クロステック）
出典: arXivプレプリント（arXiv:2610.28480）
出典: explainx.ai
