本文へ移動
Harch AI Lab AI Learning & Research Mediapowered by Artiql Inc.

VLA(Vision-Language-Action Model)とは・意味、仕組み・世界モデルとの違い・事例

VLA(Vision-Language-Action Model)とは?

VLA(Vision-Language-Action Model)とは、カメラの映像などの視覚の情報と言葉の指示を受け取り、ロボットを動かす命令を出力するAIのモデルのこと。視覚(Vision)・言語(Language)・行動(Action)の頭文字を取った呼び名で、日本の政府の資料や企業の発表も「VLA」と表記している。

政府の関係府省の連絡会議がまとめたAIロボティクス戦略は、VLAを、視覚と言語と行動を統合して作業の遂行に必要な行動の方策を生み出すモデルと説明している。VLM(Vision-Language Model)は、戦略の中で画像や動画などの視覚の情報と言語を統合するモデルとされ、VLAはこれに行動を加えたモデルだ。

ベンジオ氏らも、報告書「International AI Safety Report 2026」で、VLAをマルチモーダルの基盤モデルの一種と定義している。VLAは視覚の内容と言葉の指示を入力に受け取り、モーターへの命令を出力として返すモデルだという。

Google DeepMind は2025年3月、Gemini 2.0 を基にしたVLAのモデル「Gemini Robotics」を発表した。同社はこのモデルを、出力の種類に物理的な動作を新しく加え、ロボットを直接動かせるようにしたものと説明している。

VLAは、ロボットなどの機械を動かして作業を行うフィジカルAIを支えるモデルの1つだ。フィジカルAIをめぐって研究開発が進むモデルとして、AIロボティクス戦略はVLMや、視覚の情報を動作の制御に直接つなぐVAM(Vision-Action Model)と並べてVLAを挙げている。フィジカルAIが機械を動かすAIの全体を指すのに対し、VLAはその中で使われるモデルの種類を指す。

VLAの仕組み

視覚と言葉の入力をモーターの制御に変える

Google DeepMind は2026年7月、VLAのモデル「Gemini Robotics 2」を、視覚と言葉の入力をモーターの制御に変えてロボットに行動させるモデルと説明した。同社は2025年9月の発表で、従来のVLAは指示や言葉で書いた計画をそのままロボットの動きに変えていたと述べている。

計画を受け持つVLMと組み合わせる

Google DeepMind の説明では、Gemini Robotics 2 と組み合わせる Gemini Robotics ER 2 が推論を受け持ち、ロボットの高い次元の頭脳として働く。ER 2 は視覚と言葉を扱うVLMで、人の指示を処理して作業の手順を考え、VLAと連携して動作を実行させる。

Gemini Robotics 2 でのVLAとERのモデルの分担Google DeepMind の2026年7月の説明をもとに整理
1
指示を受け取る(ER 2)推論を受け持つ Gemini Robotics ER 2 が、人の指示を処理し、人とやり取りするER 2 は視覚と言葉を扱うモデル(VLM)
2
手順を考える(ER 2)ER 2 が部屋の様子を見て、作業を終えるのに要る手順を考える数分にわたる、複数の手順の作業を計画する
3
動作を実行する(VLA)ER 2 が VLA の Gemini Robotics 2 と連携し、VLA が動作を実行するVLA は視覚と言葉の入力をモーターの制御に変える
4
進み具合を追う(ER 2)ER 2 が作業の終わりまで進み具合を追うこの組み合わせで、ロボットは失敗した手順を自分で直せるという
出典:Google DeepMind「Gemini Robotics 2 brings whole body intelligence to robots」(2026年7月30日)

NVIDIA が2025年3月に発表した人型ロボット向けの基盤モデル「Isaac GR00T N1」も、2つの系を組み合わせる。VLMを使う「System 2」が周りの様子と受けた指示から動作を計画し、「System 1」がその計画をロボットの正確で途切れない動きに変える。

ソフトバンクは安川電機と物流倉庫で行った検証で、VLMを通信網の近くの計算の設備で、VLAをロボットの上で動かしたと発表した。VLMはカメラの画像と物の一覧から、つかむ物の位置と置く場所を出す。VLAはつかむ物の情報とカメラの画像を受け取り、つかみ方を考えた各関節の角度を出す。応答の速さと安全が大切な処理は、ロボットの上のVLAが受け持つ。

動く前に言葉で考えるVLAも登場

Google DeepMind は2025年9月に発表した Gemini Robotics 1.5 で、VLAが動作の前に言葉で考える手順を加えた。このモデルは考える過程で、長い作業をロボットが実行できる、より単純で短い区切りに分けることができるという。

VLAとVLM・世界モデルとの違い

語 AIロボティクス戦略での説明 モデルの中での役割の例
VLM 画像や動画などの視覚の情報と言語を統合する Gemini Robotics ER 2 は、人とやり取りし、周りを理解して複数の手順の作業を計画する
VLA 視覚と言語と行動を統合し、作業に必要な行動の方策を生み出す Gemini Robotics 2 は、視覚と言葉の入力をモーターの制御に変える
世界モデル 現実の動きの理解や、この先の状態の予測を可能にする π0.7 は、軽い世界モデルが作った区切りごとの目標の画像を、指示の一部として受け取れる

世界モデルは、世界がこの先どう動くかを予測し、模擬するAIのモデルを指す。Fei-Fei Li(フェイフェイ・リー)氏は2026年6月、World Labs のブログに掲載した記事で世界モデルを出力の違いで3つに分け、行動を出力するものを「プランナー」と呼んだ。

リー氏は、VLAやモデルベースのシステム、新しく登場した World Action Model を、どれもプランナーを目指す試みとしている。

NVIDIA は2026年3月、World Action Model の新しい構造を使う次の世代の基盤モデル「GR00T N2」を先行して披露した。GR00T N2 は新しい環境での新しい作業に成功する割合が主要なVLAのモデルの2倍を超えると、同社は説明している。3月の発表の時点では、年末までに提供する予定としていた。

VLAの由来と広まった背景

Google DeepMind は2023年7月、ウェブとロボットの両方のデータから学ぶ「RT-2」を、新しいVLAのモデルとして発表した。同社はこの発表で、VLMの事前学習とロボットのデータを組み合わせると、VLMをロボットを直接動かすVLAのモデルに変えられるとした。

2025年以降は、Google DeepMind が Gemini Robotics の各版を出している。NVIDIA も2026年1月、人型ロボット向けの GR00T N1.6 を、推論するオープンなVLAのモデルとして公開した。

ベンジオ氏らは2026年2月の International AI Safety Report 2026 で、ロボットの分野の最近の進歩はVLAのモデルが中心だとした。

従来の産業用ロボットは前もって動きを教える作業や工程の設計に費用がかかり、環境の変化や例外への対応にも限界があったと、AIロボティクス戦略は説明している。近年は、知覚や理解、高い次元の計画にVLMやVLAなどを取り込む方法が進んでいるという。この方法では、模倣学習や強化学習などを通じて、実機やシミュレーションなどの大量のデータから行動の方策を生み出させる。

現時点のロボット基盤モデルの開発では、VLMやVLAなどを中核とする方法が有力な選択肢だと、戦略は位置づけている。政府はAIロボティクス戦略で、国産のロボット基盤モデルのベータ版を2027年6月ごろをめどにオープンソースとして公開する方針も示した。KDDI と ELYZA は2026年10月、新会社 ELYZA Robotics がVLAを含むロボット基盤モデルを開発すると発表した。

情報処理推進機構(IPA)が2027年度から始める予定の新しい試験制度でも、語がシラバス案に入った。プロフェッショナルデジタルスキル試験(仮称)の(システム)試験では、シラバス案のフィジカルAIの項目で、ロボット基盤モデルとして「VLA(vision-language-action)」が挙がっている。IPAは、シラバス案の内容は変わる可能性があるとしている。

VLAに関する主な出来事・ニュース

VLAに関する事例・研究

Gemini Robotics 2で人型ロボットの全身を動かす

Google DeepMind は2026年7月の発表で、Gemini Robotics 2 が Apptronik の人型ロボット Apollo 2 の全身を制御する例を示した。じょうろを下の棚の緑の箱に入れるよう頼むと、ロボットは机まで歩いてじょうろを取り、数歩進んで棚の決まった場所に置いたという。

同社が Gemini Robotics 2 で3種類のロボットを同じモデルのまま動かした評価では、全身の作業と2本の指でつかむグリッパーの細かな作業の平均の成功の割合が中程度から高い水準だった。一方で、同社は指の多い手での細かな操作はまだ難しいと記している。動く速さにも、まだ進める余地があるとしている。

ロボットの上で動く軽いVLAの Gemini Robotics On-Device 2 は、新しい両腕のロボットに数時間で合わせられるという。合わせるのに使う例は、たいてい200件より少ない。

π0.7は学んだ技能の組み合わせで新しい作業へ

ロボット向けのAIを開発する Physical Intelligence は2026年4月、VLAのモデル「π0.7」を発表した。同社によると、これまでのVLAはさまざまな意味の概念を理解できても、新しい道具や台所の家電を使うような技能の新しい組み合わせができることは示されていなかった。

Physical Intelligence の実験では、π0.7 に技能を組み合わせる最初の兆しが見られた。新しい台所の家電を使ったり、たたむデータがないロボットで洗濯物をたたんだりできたという。同社は、作業の内容だけでなく、速さや質などのやり方まで指示に含めて学ばせたことが鍵だとしている。

VLAの限界と提供の形

管理された環境の外ではまだ確かに動かない

ベンジオ氏らは2026年2月の International AI Safety Report 2026 で、π0.5 や Gemini Robotics のような最先端のシステムが「台所を片付けて」のような簡単な指示を理解できるようになったとした。これらのシステムは見知らぬ環境でも、管理された条件の下なら一連の動作を実行できるという。

ベンジオ氏らは、今のVLAのモデルが見慣れない形の物や想定外の出来事にはまだうまく対応できないとも指摘した。物の損害や人のけがの危険を抑えて安全に確かに動くことや、さまざまな環境でうまく動くことは、研究が続く課題だとしている。

リー氏も同じ記事で、ここ2年のロボットの実演のほぼすべてが強く管理された実験室の中に限られていたと記した。扱う物の種類は狭く、作業も短い。リー氏は、実演の映像と台所や倉庫・手術室で確かに働くロボットの間に、まだ大きな差があるとしている。

Google DeepMind は安全の対策を重ねる

Google DeepMind は Gemini Robotics 1.5 で、動く前に安全について考えることや、必要なときに衝突の回避などのためのロボットの安全の仕組みを働かせることなどを組み合わせた。

Gemini Robotics 2 の発表で、Google DeepMind は従来の物理的な安全の対策とAIの安全の枠組みを組み合わせる多層の方法を、発表のたびにとってきたとした。同社は、VLAからの危ない道具の呼び出しを推論のモデルが断れるかなどを測る評価「ASIMOV-Agentic」も示した。推論のモデルの ER 2 は、人が近づきすぎたときにロボットを安全に止めることができる。

公開の形はオープンなモデルから提携先への限定提供まで

2026年7月の発表の時点では、推論のモデルの Gemini Robotics ER 2 は Google AI Studio で使えた。VLAの Gemini Robotics 2 と On-Device 2 は、早期に利用する提携先に向けて提供されていた。

NVIDIA は2026年1月に GR00T N1.6 をオープンなモデルとして公開し、3月には GR00T N1.7 の早期利用を商用のライセンスつきで始めた。

Physical Intelligence は2026年10月、自社の最新のモデルを学習と推論に使える API のベータ版を始めた。利用者はデータをアップロードし、同社が管理する設備でモデルを調整して、用意された窓口から推論に使う。

VLAに関連する用語

  • フィジカルAI:現実の空間の状況を読み取り、ロボットや自動運転車などの機械を動かして作業を行うAI。
  • 世界モデル:現実や仮想の世界がどう動くかをデータから学び、先に起きることや行動の結果を予測・模擬するAIのモデル。
  • プロフェッショナルデジタルスキル試験(仮称):応用情報技術者試験と高度試験を組み直して設けられる予定の、3つの国家試験。

VLAに関する出典

AIロボティクスに関する関係府省連絡会議「AIロボティクス戦略 ~社会実装を加速し、巨大市場を切り拓く~」(2026年3月26日決定、5月27日一部変更)
KDDI、ELYZA「フィジカルAIを推進する新会社「ELYZA Robotics」事業開始」(2026年10月27日)
Y. Bengio ほか「International AI Safety Report 2026」(2026年2月3日)
Google DeepMind「Gemini Robotics brings AI into the physical world」(2025年3月12日)
Google DeepMind「Gemini Robotics 2 brings whole body intelligence to robots」(2026年7月30日)
Google DeepMind「Gemini Robotics 1.5 brings AI agents into the physical world」(2025年9月25日)
NVIDIA「NVIDIA Announces Isaac GR00T N1 — the World’s First Open Humanoid Robot Foundation Model — and Simulation Frameworks to Speed Robot Development」(2025年3月18日)
ソフトバンク「フィジカルAIを現場へ ― 物流倉庫の実タスクで学習・動作を検証」(2026年3月25日)
Physical Intelligence「π0.7: a Steerable Model with Emergent Capabilities」(2026年4月16日)
Fei-Fei Li「A Functional Taxonomy of World Models」(2026年6月3日、World Labs のブログ)
NVIDIA「NVIDIA and Global Robotics Leaders Take Physical AI to the Real World」(2026年3月16日)
Google DeepMind「RT-2: New model translates vision and language into action」(2023年7月28日)
NVIDIA「NVIDIA Releases New Physical AI Models as Global Partners Unveil Next-Generation Robots」(2026年1月5日)
情報処理推進機構「プロフェッショナルデジタルスキル(システム)試験(仮称)シラバス(案)Ver.0.2」(2026年6月30日掲載、7月31日更新)
情報処理推進機構「新試験制度のシラバス案について」(2026年6月30日公開、10月30日更新)
Physical Intelligence「Frontier Models for Every Robot: Announcing our API beta」(2026年10月13日)
内閣官房「AIロボティクスに関する関係府省連絡会議(第2回)議事次第」(2026年3月26日)

VLAに関連する記事