インドのヒューマノイドロボット訓練は今、労働者に報酬を支払う一方で、その技能を自動化している

インドのヒューマノイドロボット訓練は、不穏な取引を生み出している。労働者は、オートメーション企業が機械に再現させようとしているまさにその技能を記録することで、追加収入を得ている。

リサイクル場、工場、倉庫、農場、建設現場、家庭に至るまで、労働者はiPhoneや専用カメラを頭部に固定している。記録されるのは、プラスチックの選別、靴の縫製、調理、工具の扱い、商品の梱包といった手作業だ。

この仕事は、月収が決して高くない人々にとっても、即時の収入をもたらす。しかし同時に、彼らの経験を、記録された職場をはるかに超えて利用できる再利用可能な訓練データへと変換する。

この対立は、Bloombergのポッドキャスト「Big Take Asia」が9月8日に配信したエピソードの中心にある。同エピソードは、インド全土で一人称視点データの収集に参加した数万人の労働者を対象とする8月の調査報道を踏まえている。

主な争点は、単純に人間対ロボットではない。労働者にとっての目先の収入の必要性と、記録された技能から長期的に引き出される価値との対立だ。

ロボティクス企業が現実世界の事例を必要とするのは、印象的なデモンストレーションが、信頼できる実務能力にそのまま結び付くことはめったにないためだ。ステージ上を歩ける機械でも、不規則な物体を仕分けたり、見慣れない工具を操作したりするには、なお広範な訓練を必要とする。

インドの労働者は、その隔たりを埋める一翼を担っている。しかし、この価値ある資源を生み出す人々は、その購入者、将来の用途、経済的価値について限られた情報しか持たないことが多い。

インドのヒューマノイドロボット訓練はiPhoneから始まる

ロボット訓練のパイプラインは、一般の労働者が慣れ親しんだ作業を行い、その動きを本人の視点からカメラが捉えるところから始まる。

Bloombergの労働者による記録には、ニューデリーで廃棄物の選別を行う43歳のスニタ・ラトーレの話が含まれている。彼女は、市西端にあるリサイクル地区、カラン・ビハールでプラスチックを仕分けている。

ラトーレは、手元に向けて角度を付けたiPhoneを装着する。それは、ラベルを剥がし、プラスチックを洗浄し、素材を等級ごとに選別し、できた袋を積み上げる様子を記録する。

報道によれば、彼女は通常の仕事で月に2万ルピーを稼いでいる。この工程を記録することで、撮影1時間につきさらに150ルピーを得られる。

その追加収入はラトーレにとって重要だ。彼女はBloombergに対し、4人の子どもの教育費を貯める助けになっていると語った。

彼女の事例は、この新たな労働市場における情報格差も示している。Bloombergによると、ラトーレは映像が最終的に何のために使われるのかを知らなかった。

この仕事は、単にカメラの電源を入れるだけではない。ラトーレは手元を常に映し、他人が画面に入らないようにし、誰かが近づいたり声をかけたりした際には記録を止めなければならない。

同様のプロジェクトでは、労働者の頭部、胸部、手首に取り付けたカメラが使われる。一部のシステムは、身体の動きを記録するモーションセンサー、深度カメラ、触覚グローブ、慣性計測ユニットも加える。

こうして得られる素材はエゴセントリックデータと呼ばれる。作業者の一人称視点から取得された動画とセンサー情報を意味する。同じ作業中にロボット搭載カメラが観測するものに近い。

この視点が重要なのは、部屋の向こう側から撮影する通常のカメラでは、重要な細部を見逃す可能性があるからだ。作業者の身体が物体、つかみ方の角度、あるいは工具が表面に触れる瞬間を隠してしまうことがある。

頭部装着型の動画は、作業者の注意と手の動きを追う。小さな動作の前後で、物体がどのように見えるかを明らかにする。

靴の製造労働者は、単に「靴を作る」わけではない。部品を選び、位置を決め、持ち方を変え、工具を使い、結果を点検し、不具合に対応する。

データ企業は、この一連の作業をより小さな単位に分割できる。それぞれの単位には、物体、行為、接触点、期待される結果を説明するラベルを付与できる。

この組み合わせは、視覚・言語・行動モデルを支える。こうしたシステムは、視覚的な観測と言語による指示を、荷物に手を伸ばす、コンベヤーに載せるといった物理的行動に結び付ける。

収集活動はリサイクルにとどまらない。Bloombergは、デニム工場、漁業コミュニティ、靴製造施設、建設現場、倉庫、その他の職場での活動を報じた。

労働者は、帽子やヘッドバンドに取り付けたiPhoneを使う場合がある。別の作業では、動き、圧力、深度をより高い精度で測るために設計された機器が求められる。

インドは多様性と規模の両方を備えている。ロボティクス開発者が対象とする多くの作業は、富裕国の市場ですでに固定式の産業オートメーションが使われている場合でも、同国では依然として労働集約的だ。

同国には、請負業者、工場、サービスプラットフォーム、データラベリング企業の密なネットワークも存在する。これらのネットワークにより、多様な環境で労働者を募集し、記録作業を組織することが可能になる。

したがって、インドの役割は偶然のものではない。最終的な機械が別の場所で製造・導入されるとしても、同国はヒューマノイドロボットのサプライチェーンの一部になりつつある。

価値ある輸出品は、製造部品ではない。人間の経験を構造化して記録したものだ。

現実世界のデータはロボティクスにとって希少な投入資源になった

ヒューマノイド開発企業は、より優れたハードウェアや大規模なモデルだけでは、研究室の外で物理的作業がどのように展開するかを示す詳細な実例に代わることはできないと学んできた。

言語モデルは、オンラインですでに利用可能だった膨大なテキストから恩恵を受けた。ロボットは、インターネット上に物理的な行動の利用可能な記録が少ないため、異なる課題に直面している。

書面の指示には、「袋からラベルを剥がす」と書ける。しかし、どれほどの力を加えるべきか、各指をどこに置くか、プラスチックが裂けた場合にどう対応するかは示されない。

公開動画では、不適切な角度から作業が映されていることがある。深度、力、タイミング、物体レベルのラベルが欠けている場合もある。

ロボットには、認識と行動を結び付ける実例が必要だ。物体を認識し、動作を選び、安全に実行し、変化した環境を評価しなければならない。

小さな変動でも、その一連の流れは破綻しうる。照明が変わり、素材は曲がり、荷物は損傷した状態で届き、工具はずれ、人が作業空間に入ってくる。

だからこそ、磨き上げられたデモンストレーションが示す証拠は不完全だ。ロボットは制御された部屋では成功しても、散らかり、妨害、見慣れない物体が現れると失敗する可能性がある。

エゴセントリックデータのプロセスは、こうした変動を捉えようとするものだ。一人称視点の映像は、遠方のカメラが見失いがちな物体との相互作用や繊細な手の動きを保存する。

データ企業は次に、記録をクリーニングし、注釈を付ける。レビュー担当者は、手の姿勢、把持位置、接触のタイミング、行動の境界、関係する物体を特定する場合がある。

人が製品を組み立てる映像は、複数のラベル付き行動に分割されることがある。そこには、ネジを選ぶ、パネルを合わせる、留め具を締める、完成品を脇に置くといった行為が含まれうる。

この処理により、動画はロボティクスチームが利用できるデータセットになる。一部のチームは実演から直接モデルを訓練し、別のチームは映像をシミュレーションや遠隔操作に活用する。

遠隔操作とは、人間がロボットを遠隔で制御し、システムが指示、観測、モーター指令の関係を記録することを指す。非常に関連性の高いロボットデータを生み出すが、稼働する機械へのアクセスが必要になる。

人間の動画は、より大規模に集めやすい。企業は、貢献者一人ひとりにロボットを提供することなく、多くの職場へスマートフォンやカメラリグを送ることができる。

この違いは、一般的な人間の動作に対する商業的関心が急速に高まっている理由の一端を説明する。ロボティクス研究所が機械の改良を続ける間にも、何百万人もの労働者が並行して実例を生み出せる。

Human Archiveは、この新興市場の一角を担う。サンフランシスコとベンガルールを拠点とする同スタートアップは、自社製品を物理AIシステム向けの人間の感覚運動データと説明している。

5月の紹介記事によると、同社は数万時間分を収集しており、数百万時間に到達することを目指していた。アジアにおける最大の収集拠点はインドだとしている。

同社は8.2百万ドルを調達し、工場、ホテル、レストラン、建設現場、配送事業にまたがる120以上の提携を結んだと報じられている。一部の提携はまだ実稼働に至っていなかった。

同社の撮影機器は、下向きの4K動画を毎秒30フレームで記録すると報じられている。深度カメラと広角レンズが、手と周囲の物体に関する情報を加える。

Human Archiveは、得られた映像を品質管理、ハンドトラッキング、再構成モデルで処理するとしている。また、カメラ位置によって顔が映ることはほとんどなく、後処理で映り込んだ人物の識別情報を削除すると説明している。

こうした説明は安全策を示すものであり、すべての記録が無害であることの独立した証明ではない。下向きのカメラでも、同僚、文書、会話、独自の工程を捉える可能性がある。

より広い市場には、EgoLab、Humyn AI、Objectways、FPV Labsなどのデータ供給企業が含まれる。それらの手法や労働契約が必ずしも同一とは限らない。

それらを結び付けるのは、商業的な前提だ。ロボティクス企業は、自社の研究所だけでは経済的に生み出せないほど多様な実演を必要としている。

業界は、インターネット規模で物理的な知識を獲得しようとしている。インドは、その知識を持つ人々と、それをパッケージ化するために必要なインフラの両方を供給している。

目先の報酬と仕事の将来的な価値が競合する

労働者は一度限りの支払いを受ける一方、購入者は製品や市場をまたいで複製、組み合わせ、再利用できるデータを取得する。

この仕組みを擁護する最も単純な主張には、説得力もある。労働者は任意の記録作業を引き受け、すでに行っている仕事に対して追加収入を得る。

ラトーレにとって、その支払いは具体的な目標を支える。能力あるヒューマノイドが彼女のリサイクル現場に到着するずっと前に、家族の経済状況を改善できる可能性がある。

他の労働者も同じ計算をするかもしれない。遠い将来の自動化リスクよりも、今月支払期限を迎える学費、食費、家賃、医療費の方が重要に感じられることがある。

しかし、有意義な同意には、カメラに対して「はい」と言う以上のことが求められる。労働者は、何が収集され、なぜ価値があり、どのように利用される可能性があるのかを理解しなければならない。

この基準を、分断されたサプライチェーン全体で満たすのは難しいように見える。ロボティクス企業は、地域の仲介業者と契約したベンダーから、処理済みデータを購入する場合がある。

仲介業者は、各貢献者ではなく、工場所有者や労働プラットフォームと連携する場合がある。その連鎖の末端にいる労働者は、最終的な購入者についてほとんど知らないかもしれない。

The Guardianは、インド5州にある6工場での記録慣行を調査した。その結果、労働者が映像作成に対する個別の報酬なしに、頭部装着型カメラやスマートグラスを使用していることが判明した。

参加企業の一部は、工場側がすでに報酬を受け取っていると主張した。個々の労働者への追加支払いは不要だという立場だった。

この立場は、根本的な争点を浮き彫りにする。工場はアクセスとスケジュール管理を提供するが、データの情報的内容を生み出すのは、労働者が身に付けた動きである。

また、労働者は同意書には現れない圧力に直面する可能性がある。監督者がシフト、評価、継続雇用を管理している場合、カメラを拒否することはリスクを伴うように感じられる。

工場調査では、デバイスが何を記録しているのかについて、労働者の間に不確実性があることも明らかになった。報道によれば、数人は時折提供される軽食以外に直接の報酬を受け取っていなかった。

入手可能な報道によると、報酬はプロジェクトごとに異なる。このばらつきがあるため、契約レベルの証拠なしに公正な賃金や搾取について広く断定するのは信頼性に欠ける。

それでも、基礎となる経済構造は一貫している。人は録画セッションに対して報酬を受け取る一方、その記録はその後も長く価値を保ち得る。

そのデータセットは、1つのモデル、複数のモデル、あるいは複数の国で販売される製品を支える可能性がある。複製データは、元の労働者に同じ作業を繰り返すよう求めることなくライセンス供与できる。

ここには、労働時間と資産価値の不一致が生じる。労働者が売るのは時間だが、データの買い手が得るのは、再利用可能な知的インフラに近いものだ。

現在の労働制度では、筋肉の記憶を知的財産として扱うことはほとんどない。熟練した仕分け作業員、溶接工、調理人、縫製工は通常、そのワークフローも、そこから開発された自動化への権利も持たない。

ロボット訓練データは、この見落としを可視化する。実践を通じて培われた専門性、すなわち暗黙知を、記録され取引可能な対象へと変換する。

労働者は、通常のシフトよりもカメラを装着することで多くの報酬を得るかもしれない。しかし、それだけでは支払いがデータセットの下流での価値を反映しているかは分からない。

残余報酬は、考えられる代替案の一つだ。データが再ライセンスされたり商用展開で使われたりする際に、提供者が追加報酬を受け取る仕組みにできる。

別のアプローチとしては、ロボティクスのデータセットに付随する手数料を通じて、労働者の訓練、移行支援、または共同の福利厚生に資金を充てる方法がある。こうした制度には、信頼できるデータ来歴が必要となる。

データ来歴は、データセットの出所、誰が寄与したか、どのように変化したかを追跡する。こうした記録がなければ、企業が後の価値を信頼に足る形で共有することはできない。

短期的な懸念は、失業が必ず起きることではない。現在の人型ロボットの多くは、複雑な手作業を広範に代替するには、なお遅すぎ、壊れやすく、高価すぎる。

より差し迫った問題は交渉力だ。どの記録が商業的に重要になるか誰にも分からないうちから、労働者は今まさに交渉している。

買い手は、なぜ映像が重要なのかを理解している。多くの提供者は、同じ情報を持っていない。

この非対称性により、業界は、価格付けのサイクルで最も低い時点にある潜在的に価値ある技能を取得できる。データセットの有用性が証明される頃には、再交渉は不可能かもしれない。

人間による実演でも、信頼できるロボットは保証されない

訓練データを増やせばロボットのモデルは改善し得るが、ハードウェアの限界、安全上の問題、予測不能な職場環境が自動的に解決されるわけではない。

「自分の代替を訓練している」という表現は現実的なリスクを捉えているが、何年にも及ぶ難しい工学的課題を一つの主張に圧縮している。

労働者を観察することは、その労働者を再現することと同じではない。ロボットは、人間の解剖学的構造や動きを、自身の身体で実行可能な動作へ変換しなければならない。

人間の手には、関節、筋肉、腱、触覚受容器が高密度に組み合わされている。ロボットハンドでは、可動域、強度、センシング、耐久性が異なる。

人間は小さな動きの後、容器が滑りやすいと推測できる。ロボットが同じ結論に達するには、触覚センサー、制御ソフトウェア、タスク固有の訓練が必要になるかもしれない。

人間の実演が映像だけから得られる場合、問題はさらに難しくなる。ピクセルは、力、重量、摩擦、物体の動きに抗するのに必要な労力を直接明らかにしない。

深度カメラやモーションセンサーは、一部の不足を補う。触覚グローブは圧力情報を加えられるが、機器コストを増やし、収集を複雑にする。

記録された動作もリターゲティングする必要がある。リターゲティングとは、異なる寸法と機械的制約を持つロボットにとって実行可能な軌道へ、人間の動きを変換することだ。

技術的に正しい軌道であっても、新しい場所では失敗することがある。テーブルの高さ、物体の形状、カメラの位置が異なるだけで、モデルが観測する内容は変わり得る。

こうした制約があるため、ロボティクスのチームは複数のデータソースを組み合わせている。人間の動画、遠隔操作されたロボットによる実演、シミュレーション、合成シーン、そして実際のロボット稼働中に生成されるデータを利用する。

各手法には異なるトレードオフがある。人間の動画は豊富だが、ロボット固有の制御情報を欠く。遠隔操作は精密な制御データを生み出すが、規模拡大はより遅い。

シミュレーションでは、機器を危険にさらさず多くの事例を生成できる。しかし、シミュレーション上の物体は、現実の職場にある素材特性や乱雑さを完全には再現しない。

実際のロボット稼働は、最も関連性の高いフィードバックを生み出す。だが、初期開発段階では高コストで遅く、危険を伴う可能性もある。

したがって、業界が人間の記録を必要としていることは慎重に読むべきだ。それは人間の行為に価値があることを示すが、代替が差し迫っていることを示すわけではない。

Figure AIは有用な比較対象となる。同社は、洗濯物をたたむ、キッチン内で物を動かすといったタスクのために、人間の実演を用いてHelixシステムを訓練している。

Figureの最高経営責任者はTIMEに対し、タオルをたたむ作業にはわずか80時間の動画しか必要なかったと語った。しかし、同社のロボットは、観察された実演の際、一部の衣類タスクでなお苦戦していた。

家庭用ロボットのテストは、進歩と限界を同時に示した。機械は一部のキッチンタスクを成功させたが、一般家庭への配備にはまだ至っていなかった。

韓国での取り組みは、別の現実確認を提供する。RLWRLDは労働者の実演を収集し、バーチャルリアリティヘッドセット、モーショントラッキンググローブ、ロボットの直接制御で補完している。

ある観察された実演では、ロボットは慎重にカップを動かしたものの、皿を倒した。この失敗は小さく聞こえるかもしれないが、作業が労働者や高価な機器のそばで行われる場合には話が違う。

ホテルでの試験では、大きな生産性格差も明らかになった。人間なら約40分で清掃するホテルの客室に、現在の人型ロボットでは数時間かかる可能性がある。

それでもLotte Hotelは、2029年までにロボットが清掃やその他のバックヤード業務を担えるようになることを期待している。ある幹部は、人型ロボットが最終的にはイベント準備の作業負荷の30%から40%を担う可能性があると見積もった。

残る業務には、人間とのやり取りや難しい例外処理が含まれる。この分担は、完全な代替より先に部分的な自動化が進むことを示唆している。

部分的な自動化でも雇用は変わる。定型的な工程を自動化する企業は、必要な労働者数を減らしたり、職務を再設計したり、一人当たりに期待する成果を増やしたりするかもしれない。

また、ロボットの監督、保守、安全、データレビュー、例外処理における新たな役割も生み出し得る。そうした役割が、職を失った労働者に自動的に与えられるわけではない。

訓練へのアクセス、地理、言語、正規教育は、タスクを失う人々と機械を管理するために採用される人々を分ける可能性がある。

したがって、人間とロボットが単に協働するという主張には精査が必要だ。協働は可能な運用モデルを表すものであり、利益の分配を保証するものではない。

同じことは、大規模な雇用喪失を確信を持って予測する見方にも当てはまる。動画収集は企業がどこに投資しているかを示すが、機械がいつ経済的に信頼できるものになるかは示さない。

最も確かな結論は、より限定的だ。インドの労働者は、より多くの身体作業を自動化する可能性を高めるため、ロボティクス企業を支援している。

その改善が代替、補完、あるいは別の失敗した実証実験につながるかは、動画アーカイブの規模だけでなく、配備の証拠に左右される。

同意と監視は、すでに現在進行形のリスクだ

雇用の代替は依然として不確実だが、カメラ、職場監視、個人データに対する弱い統制は、収集が始まった時点で労働者に影響を与える。

頭部装着型カメラは、一対の手だけを記録するものではない。装着者がシフト中に見るすべての人と物を捉える可能性がある。

その視野には、同僚、顧客、家族、私的な会話、コンピューター画面、製造方法、私物が含まれるかもしれない。

デバイスを装着する労働者は同意するかもしれない。一方、背景を通り過ぎる人々は、商用データセットに自分たちが含まれていることを知る機会すらない可能性がある。

データ企業は、顔をぼかしたり、不適切な映像を破棄したりできる。だが、こうした保護策が働くのは、情報がすでに収集・移転された後だ。

収集はまた、労働者のパフォーマンスに関する詳細な記録を生み出す。動画からは、ペース、休止、ミス、動作パターン、各工程に必要な時間が明らかになる可能性がある。

この情報はモデル訓練にとって価値がある。同時に、従業員監視や生産性評価にも適している。

工場は当初、ロボティクスのデータセットのために記録を承認するかもしれない。経営側は後に、同じシステムが手待ち時間やタスク完了状況を細かく把握できると気付く可能性がある。

その結果として生じる圧力は、ロボットより何年も早く到来し得る。カメラによってあらゆる動きが測定可能になるため、労働者はより厳しい目標に直面するかもしれない。

この可能性は、すべての職場録画に反対する論拠ではない。安全レビュー、技能訓練、品質管理では、正当な目的で動画を利用できる。

中心的な問題は目的制限だ。ある明示された理由のために収集されたデータが、別の目的のための道具へとひそかに変わるべきではない。

信頼できるプログラムは、記録の目的、買い手の区分、保存期間、セキュリティ管理、削除プロセスを明示すべきだ。労働者は、データで訓練されたモデルが、削除後も派生情報を保持できるのかを知るべきである。

同意は更新可能であるべきだ。あるプロジェクトに同意した労働者が、映像の将来におけるすべての利用を自動的に許可するべきではない。

企業には、データがモデルに入る前に撤回できる手順が必要だ。また、技術的または契約上の制約により撤回が不可能になる場合を説明しなければならない。

プライバシーに関する主張には、独立した検証が必要だ。カメラが下方を向いているというベンダーの説明は、音声、反射面、文書、視界に身をかがめて入る人々への対応にはならない。

匿名化はリスクを減らせるが、完全な匿名性を確保するのは難しい。特徴的な作業空間、声、タトゥー、制服、動作パターンによって、顔が見えなくても個人を特定できる可能性がある。

生の映像には商業上機密性の高い工程が映っている可能性があるため、セキュリティは重要だ。侵害が起きれば、労働者と参加企業の双方に害が及ぶ可能性がある。

業界には来歴に関する基準も必要だ。ロボティクスの買い手は、記録が十分な情報を得た提供者と合法的な職場の取り決めから得られたことを確認できるべきだ。

来歴がなければ、責任ある買い手は、倫理的に収集されたデータと、圧力や欺瞞によって集められた安価な素材を区別できない。

独立監査では、採用、同意、報酬、プライバシーフィルタリング、セキュリティ、下流でのライセンス供与を検証できる。監査の要約は、提供者と顧客が利用できるようにすべきだ。

調達方針は、立法よりも早く圧力をかけられる可能性がある。大規模なロボティクス研究所は、供給者に労働者の同意を文書化するよう求め、信頼できる記録を欠くデータセットを拒否できる。

ただし、自主基準には、市場を速度とコストが動かす場合に限界がある。労働者保護により多くを費やすベンダーは、透明性の低い競合他社に契約を奪われる可能性がある。

したがって政策論議は、データ供給チェーン全体に焦点を当てるべきだ。最終的なロボットを規制しても、実演の収集過程で生じる害には対処できない。

労働者組織も、こうした議論に参加する場を必要としている。一人が署名した同意書では、監視、作業負荷、雇用に関する集団的な変化を解決できない。

最も難しい問いは、誰が拒否できるのかという点にある。拒否することで労働者のシフトや上司との関係が脅かされるなら、同意にはほとんど実質がない。

より良い制度では、記録に関する決定を雇用評価から切り離すべきだ。労働者は明確な通知、直接の報酬、報復からの保護を受けるべきである。

インドにおけるロボット訓練の急拡大は、市場がまだ定着していない段階でこうした原則を試している。いま下される判断は、世界のフィジカルAI業界全体の標準的な慣行となり得る。

次に誰が恩恵を受けるかを示す3つのシグナル

次の段階は、導入成果、透明性のある労働条件、そして貢献者がより良い役割へ移行できる証拠によって評価されるべきだ。

第一のシグナルは、管理されたデモ環境の外でロボットが安定して性能を発揮できるかどうかだ。企業は、多忙な工場、家庭、倉庫、サービス現場で、機械が実用的なシフトをこなせることを示す必要がある。

意味のある検証では、介入率、タスク完了時間、失敗件数、安全インシデントを報告すべきだ。短く編集された動画だけでは、十分な証拠にはならない。

ロボットが多様な環境で人間に近い信頼性を実現すれば、置き換えへの懸念はより切迫したものになる。常時の監督を必要とし続けるなら、データ獲得競争が導入を先走ったことになる。

第二のシグナルは、データ提供事業者が同意と報酬について、執行可能な基準を公表するかどうかだ。プライバシーに関する一般的な約束だけでは、この問題は解決しない。

有用な開示には、誰が報酬を受け取るのか、拒否はどのように機能するのか、顧客は映像をどのように扱えるのか、労働者がライセンス収益の価値を分配されるのかを明示することが含まれる。

購入者側も、サプライヤーに求める要件を開示すべきだ。来歴記録と独立監査は、データ量だけでなく労働条件も重視されていることを示すだろう。

業界がこうした慣行を採用すれば、労働者は可視性と交渉力を高められるかもしれない。秘密主義が標準のままであれば、現在の情報格差はさらに深まる。

第三のシグナルは、ロボット導入が、訓練例を提供した人々にとって信頼できる移行経路を生み出すかどうかだ。

一部の企業は、労働者が遠隔で機械を監督するようになると予測している。ある構想では、インドの熟練溶接工が、別の国で稼働するロボット溶接機を操作する。

その実現には、楽観論以上のものが必要だ。労働者には訓練、利用可能なインターフェース、信頼できる接続環境、そしてそうした職を生み出す雇用主へのアクセスが必要となる。

こうした職種の数と質が重要だ。一人が多数のロボットを監視するなら、少数の高給な監督職では、広範なタスクの消失を埋め合わせられない。

企業は、既存の労働者が保守、監督、品質保証、例外処理の職務へ移行しているかを報告すべきだ。賃金と定着率の結果も開示する必要がある。

読者は、二つの単純な物語を退けるべきだ。一方は、ヒューマノイドがまもなくあらゆる場所で肉体労働をなくすという見方である。もう一方は、技術は常に十分な数のより良い仕事を生み出すという見方だ。

どちらの結論も、労働者の頭部に装着されたカメラからは導けない。むしろ、その記録は、現在どこに経済的な力があるのかを明らかにする。

労働者は経験を持っているが、それをデータへ変換する過程を支配しているのは仲介者だ。ロボティクス企業はモデルと、将来的な導入を支配している。

この分配は変えられる。契約、調達基準、規制、団体交渉は、誰が情報と価値を受け取るかに影響を与えられる。

開発者と企業の購入者にも影響力がある。データセットをモデルや製品に利用する前に、文書化された同意が含まれているかを問うことができる。

自社のAIプロジェクトを管理するチームは、ソース記録、利用権、人間による意思決定を、検索可能なAI workflow内で保持すべきだ。資料が複数のシステムへ広がった後では、データガバナンスはより困難になる。

ナレッジワーカーにとって、インドの事例はより広い警告を示している。自動化は、ソフトウェアや機械が人々を置き換えられるずっと前から、人々の働き方を観察することによって始まることが多い。

ワークフローを記録する人は、ツールの改善、プロセスの標準化、あるいは役割の一部の削減に手を貸している可能性がある。こうした結果は重なり得る。

したがって、インドにおけるヒューマノイドロボットの訓練は、遠く離れた機械労働者だけの物語ではない。それは、社会が訓練データに含まれる人間の知識をどのように評価するかを問う試金石だ。

重要な問いは、労働者があらゆるカメラを拒むべきかどうかではない。目先の収入は、合理的で有益であり、自由な選択であり得る。

問われるのは、貢献者がその取引を理解し、より公正な分配を交渉できるかどうかだ。誰が記録を支配し、誰が再び報酬を得て、ロボットが研究室を出たときに誰が新たな仕事を得るのかを注視すべきだ。