PitchBookのフィジカルAI資金調達、480億ドルに到達も、ロボットには依然として人間の教師が必要

Financial Timesの報道によると、今年のPitchBookによるフィジカルAI資金調達額は480億ドル近くに達した。しかし、資金だけではロボティクスを決定づける制約は解消されていない。機械には依然として、多様で予測不能な環境で人々が物理的な作業を完了する方法を示す、有用なデータが十分にない。

この不足により、カメラが工場、オフィス、ホテル、家庭へと持ち込まれている。労働者や報酬を受け取る協力者は、布をたたむ、部屋を清掃する、荷物を運ぶ、食品を準備する、工具を扱うといった作業を自ら行う様子を記録する。ロボティクス企業は、その実演を機械の訓練素材へと変換する。

この資金調達総額は、フィジカルAIを次の主要なコンピューティング・プラットフォームのように見せる。一方、そのデータセットを支える労働は、自動化とは距離のある実態を物語る。スタートアップは、人間の専門知識を記録し、ロボット訓練施設を運営し、作業を数千回繰り返すことに多額の資金を投じている。

ここに、この分野の中心的な矛盾がある。投資家は人間の労働を減らすためのシステムに資金を提供する一方、開発者は物理的な作業がどのように行われるかをそのシステムに教えるため、拡大する労働力に依存している。

言語モデルとは異なり、ロボットはすでにオンラインで公開されている素材を処理するだけでは、すべてを学べない。インターネット上のテキストには行動の説明が含まれているが、それを実行するために必要な正確な動き、力、タイミング、そして復帰動作が記録されていることは稀だ。

Figure、Physical Intelligence、Generalist、Skild AI、および複数の専門データプロバイダーを含む開発企業は、それぞれ異なる解決策を追求している。ある企業は一人称視点の動画を収集し、別の企業はロボットアームを遠隔操作したり、シミュレーション環境を構築したり、複数の手法を組み合わせたりしている。

競争はもはや、最も高性能なロボットを誰が設計できるかだけではない。人間の活動を信頼性の高い機械の行動へ変換する、最良のパイプラインを誰が構築できるかという競争になりつつある。

PitchBookのフィジカルAI資金調達がデータのボトルネックに直面

約480億ドルという資金調達総額が示すのは投資家の確信であり、ロボットの能力が実証済みであることではない。

Financial Timesが公表したロボットジムに関する調査は、コンピューティング、機器、実世界での訓練運用に数十億ドルを投じる業界を描いている。PitchBookは、この報道で引用された年初来の資金調達推計を提供した。

この数字は、単一の技術カテゴリーではなく、ロボティクス企業とフィジカルAI企業を対象としている。フィジカルAIは一般に、環境を認識し、意思決定を行い、現実世界で機械を通じて行動するシステムを指す。

このカテゴリーには、ヒューマノイド開発企業、ロボット向け基盤モデル企業、データ供給企業、物理環境のシミュレーションを作る企業が含まれる。製品は異なるものの、大半は同じ不足資源に直面している。

言語モデルの開発企業は、人間のコミュニケーションに関する膨大なデジタル記録を受け継いだ。書籍、ウェブサイト、ソフトウェアリポジトリ、文書、写真、動画は、訓練用に収集・整理できる素材を提供した。

ロボティクスには、物理的な結果に結び付く行動について、これに相当する記録がない。動画は誰かが引き出しを閉める様子を示せても、ピクセルだけでは加えた力や関節の位置が分からない場合がある。引き出しが引っかかったときに何が起きたかも分からない。

有用なロボット向け実演には、同期したカメラ映像、深度情報、動作軌跡、タスクのラベル、成功・失敗の信号が必要になる場合がある。器用な作業には、触覚や力の測定も必要になり得る。

こうした要件により、データの収集と再利用は難しくなる。あるロボット本体用に記録された実演は、手、関節、カメラ、リーチが異なる別の機械へは、きれいに転用できない可能性がある。

環境も重要だ。研究室の照明下で同一の物体を拾うよう訓練されたモデルは、包装が変われば失敗するかもしれない。雑然とした環境、反射面、見慣れない工具、人、ペット、狭い空間は、さらなる変動要因を生む。

したがって、この資金調達ブームが支えるのはロボット製造だけではない。記録キット、人間のオペレーター、アノテーションチーム、賃借施設、専門ソフトウェアを含む新たなデータ生産システムに資本が流入している。

報じられた投資は、その幅広さを示している。Physical Intelligenceは、報道によると56億ドルの評価額で6億ドルを調達した。MeckaはNvidiaやSequoiaを含む出資者から6,000万ドルを調達したと報じられ、Xdofは7,000万ドルを調達した。

これらのラウンドは、どの企業が最も強力なモデルを持つかを示すものではない。投資家が、データ収集と汎用ロボット学習を戦略的資産と見なしていることを示している。

未解決の問題は、その支出が制御された実演の外でも成功する機械を生み出すかどうかだ。資金によって訓練セッションを増やすことはできる。しかし、モデルがそこから正しい一般化を学ぶ保証はない。

この違いが重要なのは、ロボティクスのエラーには物理的な結果が伴うためだ。チャットボットはグラスを割ったり誰かを傷つけたりせずに、質の低い文章を出力できる。ロボットは、行動するたびに知覚、計画、動作、安全性を結び付けなければならない。

PitchBookによるフィジカルAI資金調達は、この問題を解決する競争を加速させた。しかし、問題そのものを取り除いたわけではない。

なぜロボット訓練データはインターネットから単純に得られないのか

フィジカルAIに必要なのは、単に作業に似た動画ではなく、行動、身体性、結果に結び付いた実演だ。

テキストモデルや画像モデルは、デジタルメディア内のパターンを学習する。ロボットは、変化する物理条件下でも安全を維持できる行動へと、感覚入力を変換しなければならない。

ホテル従業員が宴会用ナプキンをたたむ場面を考えてみよう。この作業では、柔軟な素材をつかみ、端を見つけ、張力を保ち、層を揃え、小さなミスを修正する必要がある。

通常の動画は、その一部を捉える。指先の圧力、手首の位置、あるいは布が滑ったときの作業者の対応は分からないかもしれない。こうした隠れた細部が、ロボットが作業を完了できるかを左右する。

Associated Pressは、韓国のスタートアップRLWRLDが収集した作業者による実演を通じ、この問題を記録した。ホテル、物流、小売の従業員は、熟練作業を行う間にカメラを装着した。

RLWRLDのエンジニアは、映像に加えて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、追加の実演を用いた。得られた記録には、関節角度や加えた力などの詳細が含まれていた。

この事例は、開発者が複数の収集手法を使う理由を示している。

一人称視点、すなわちエゴセントリック動画は、作業者の視点からタスクを記録する。人々がカメラを装着したまま慣れ親しんだ仕事を続けられるため、より広い規模で自然な活動を捉えられる。

遠隔操作では、人間がジョイスティック、バーチャルリアリティ機器、または別のインターフェースを通じてロボットを操作する。これにより、機械の関節やセンサーに直接結び付いた行動が得られる。

ロボットジムは、オペレーターが選定されたタスクを何度も実行する、再現可能な訓練ステーションを作る。チームは機器を標準化し、失敗を記録し、タスクの難易度を調整できる。

シミュレーションは人工的な環境と相互作用を生成する。ハードウェアを危険にさらさず、より速くデータを生み出せるが、シミュレーションで学んだ行動が現実へ完全に転移するとは限らない。

実世界での導入も、もう一つの貴重なデータストリームとなる。稼働中のロボットは、失敗、人間による介入、見慣れない状況を記録でき、後の改善に使う素材を生み出す。

学術プロジェクトは、機関や機械をまたいでデータセットを組み合わせる価値を示している。Google DeepMindのOpen X-Embodimentコラボレーションは、22種類のロボット実体と21機関からのデータを統合した。

このプロジェクトは、多様なロボット経験がモデルの転移能力を改善できることを示した。同時に、標準化という課題も明らかにした。異なるカメラ、コントローラー、タスク、ロボット本体で収集されたデータは、モデルがまとめて利用できるようになる前に正規化しなければならない。

DROIDプロジェクトは、分散型ロボットデータを通じ、関連する目標を追求した。その参加者は、多数の環境、タスク、地理的場所にわたって、数万件の操作軌跡を収集した。

これらの取り組みは、独自の収集プログラムに対する重要な対比を提供する。共有研究データセットは科学的進歩を加速できるが、企業は依然として、自社製品と対象顧客に合わせた非公開データを求めている。

倉庫ロボットには、特定の容器、棚、スキャナー、ワークフロー上の制約を含む事例が必要だ。家庭用ロボットには、家庭用品、レイアウト、人々、予期せぬ中断に関するはるかに幅広い経験が必要になる。

インターネットには、両方の環境を映した動画が豊富にある。しかし、大半の映像はロボット学習ではなく人間の視聴者向けに作られたものだ。カメラ配置、欠けているセンサーデータ、編集、不確かな結果が、その価値を制限する。

そのためフィジカルAI開発企業は、初期のウェブコーパスに相当するものを生み出そうとしている。それを意図的に、一つひとつの記録された行動と測定された結果を通じて作らなければならない。

人間による実演がロボティクスの新たなサプライチェーンになる

データのボトルネックにより、日常的な仕事が機械学習にとって価値ある入力へと変わりつつある。

Financial Timesによると、Figureには自宅や職場でタスクを記録する約4万4,000人のアクティブな協力者がいる。参加者は、完了したタスク1件あたり平均約94セントを受け取ると報じられている。

同社はまた、報道によると今後12カ月間でデータサービスとコンピューティングに10億ドル以上を投じる計画だ。この取り組みは、データ生産が中核的な事業機能になったことを示唆する。

このプロセスは従来のデータラベリング事業に似ているが、割り当てられる作業はより身体的だ。協力者は画像を分類する代わりに、表面を清掃したり、物を並べたり、バッグに荷物を詰めたり、容器を開けたりする可能性がある。

成功例を記録することは、出発点にすぎない。有用なデータセットには、モデルが一つの部屋、物体、動作パターンを記憶するだけに終わらないよう、十分な変動が必要だ。

チームは、物体の大きさ、素材、向き、照明、周囲の散らかり具合を変えなければならない。また、ミス、復帰行動、最も安全な選択が停止である状況も記録する必要がある。

アノテーションがさらに一層を加える。開発者は、タスクの段階、物体の識別情報、手の位置、接触イベント、完了品質に関するラベルを必要とする場合がある。

収集が数千人の協力者に広がると、品質管理は難しくなる。カメラの位置がずれたり、タスクが誤って実行されたり、記録から重要な動作が漏れたりする可能性がある。

カメラが家庭や職場に入ると、プライバシーも中心的な問題になる。映像からは、顔、家族の生活習慣、コンピュータ画面、独自の機械、住所、機密文書が明らかになる可能性がある。

企業には、保存、アクセス、保持、削除に関する明確な同意手続きと管理が必要だ。雇用主もまた、任意の参加と、職場での権限を通じて課される監視を区別しなければならない。

ロボットデータの労働市場はすでに国際化している。Scale AIはメキシコシティでデータ施設を運営しており、Xdofは深圳とジャカルタで収集を拡大したと報じられている。

Financial Timesの報道によると、米国の一部のロボティクス作業員の報酬は時給約25ドルにのぼるという。メキシコで同等の仕事に支払われる報酬は、その約半額とされる。

人件費が低ければ、反復的なデータ収集も経済的に実現可能になる。一方で、初期のアノテーション産業を形づくった不平等な条件を再生産する可能性もある。

Financial Timesが引用したある経営幹部は、インド・グルグラムの劣悪な労働環境の内部を撮影することに懸念を示した。同報道によれば、一部の労働者は追加報酬を受け取らないまま撮影されたという。

この申し立てだけで、業界全体に共通する慣行が証明されるわけではない。しかし、買い手や投資家が単なる運用上の注記として扱うことのできないガバナンス上の問題を示している。

労働者が生み出すのは、汎用的な動きだけではない。効率的な手順、安全に関する判断、不規則な状況への対応など、経験を通じて培われた専門知識も提供している。

ホテル従業員は、グラスを磨く際にどの程度の強さで持つべきかを知っている。倉庫作業員は不安定な梱包を見抜く。技術者は、部品が正しく収まった感触を察知する。

一度記録されれば、その知識は再利用可能な企業資産になり得る。労働者は記録セッションへの報酬を受け取るかもしれないが、将来のシステムが生み出す価値を共有するとは限らない。

労働団体は、この交換関係に疑問を投げかけ始めている。韓国労働組合総連盟は、自動化によって新人労働者が熟練知識を身につける過程が途切れる可能性があると警告した。

この懸念は、より深い逆説を生む。企業はロボットを教えるために経験豊富な労働者を必要とするが、自動化が広がれば、将来の専門性を育む労働力そのものが減少する可能性がある。

問題はロボットが雇用を置き換えるかどうかだけではない。企業が、新たな手法、適応、暗黙知を生み出す人材育成のパイプラインを維持できるかどうかにもある。

ロボティクス用データセットを委託する企業は、映像がどこで撮影され、参加者がどのように同意したのかを記録すべきである。また、報酬が取得される専門性を適切に反映しているかも追跡する必要がある。

この来歴管理は、検索可能なAI knowledge baseを維持する作業に似ているが、記録には物理的・雇用上の文脈も伴う。その文脈を欠くデータセットは、技術的、法的、評判上のリスクを生みかねない。

人間による実演データは、フィジカルAIのインフラになりつつある。その収集基準は、システムが研究室を出たとき、どのシステムが信頼を得るかを左右する。

本当の競争はデータ品質とデータ規模の間にある

記録時間を増やすことが有効なのは、それがロボットに信頼できる行動へ移行可能な振る舞いを教える場合に限られる。

人工知能への投資はしばしば、より大規模なデータセットとより多くの計算資源が、より強力なモデルを生むという単純な前提に従う。このパターンは、言語生成と画像生成の進歩を後押ししてきた。

ロボティクス開発者は、物理的な行動にも同様のスケーリング効果が当てはまることを期待している。しかし研究者は依然として、記録時間と制御されていない環境での成功を結びつける普遍的な公式を持っていない。

カリフォルニア大学バークレー校のロボティクス教授であるKen Goldbergは、Financial Timesの報道で、大規模収集に期待される利点を「直感」と表現した。

彼の懐疑は、データに価値がないことを意味しない。むしろ、実演を増やせば操作、計画、汎化の問題が予測可能な形で解決するとは、業界がまだ立証していないことを意味する。

反復的な映像を100万時間集めても、意味のある変動を扱う小規模なデータセットより有用でない場合がある。まれな失敗は、数千件の通常どおりの成功よりも高い学習価値を持つ可能性がある。

整った実演だけで訓練されたシステムは、不完全な仕事像を学習するリスクもある。現実の環境には、中断、損傷した物体、曖昧な指示、そして実行を拒否すべきタスクが存在する。

観察と制御の違いも、別の課題をもたらす。人の動きは、形状や機械的制約が異なるロボットに直接対応するわけではない。

人間の手は、触覚、器用さ、迅速なフィードバックを組み合わせる。多くのロボットが単純な二本指グリッパーを使うのは、その機構の方が制御と保守を容易にできるためだ。

五本指のロボットハンドは、特に家庭内でより幅広い能力を約束する。一方で、関節、センサー、故障モード、制御の複雑さも増える。

モデルはカップを正しく識別しても、過大な力を加える可能性がある。また、自身のハードウェアでは安全に実行できない人間の手の軌跡を再現することもあり得る。

したがって開発者は、映像をロボットが利用できる表現へと接続しなければならない。この過程には、姿勢推定、行動リターゲティング、逆運動学、追加の遠隔操作による実演などが含まれる場合がある。

ワールドモデルは別の経路を提供する。こうしたシステムは、行動後に環境がどう変化するかの表現を学習し、ロボットが動く前にソフトウェアが起こり得る結果を予測できるようにする。

シミュレーションプラットフォームは、こうした予測を使って練習シナリオを生成できる。World Economic Forumが説明したphysical AI frameworkは、現実世界のセンシングや文脈に応じた意思決定と並んでシミュレーションを位置づけている。

しかし、説得力のあるシミュレーション映像が、正確な接触物理を保証するわけではない。柔らかい素材、液体、摩擦、壊れやすい物体、工具の使用は、依然として正確なモデル化が難しい。

最も強力な開発パイプラインは、おそらく複数の手法を組み合わせるだろう。インターネット動画は意味的な文脈を提供できる。人間の実演は自然なタスク戦略を示せる。

遠隔操作は、行動をロボットのハードウェアにつなげられる。シミュレーションは対象範囲を広げ、配備ログは設計者が予測しなかった失敗を明らかにする。

競争優位は、そのループを管理することにある。企業は弱い振る舞いを特定し、関連する事例を集め、モデルを再訓練し、未使用タスクでの改善を検証しなければならない。

評価は収集と同じくらい重要だ。公開デモでは成功した一回の試行が示されることが多いが、準備、失敗率、操作者の介入は明かされない。

企業の買い手には、実際の運用に結びつく指標が必要である。具体的には、タスク完了率、復旧成功率、サイクルタイム、介入頻度、環境変化下での性能などが含まれる。

演出された部屋で10回中9回成功するロボットでも、稼働中の倉庫には適さない可能性がある。たった一度の失敗の影響が、成功した試行による利益を上回るかもしれない。

480億ドルという資金調達額は、より幅広い実験とより優れたハードウェアを支援できる。一方で、企業がデータセットの規模を証拠の代替物として扱うことも促しかねない。

投資家は、企業が何時間のデータを集めたかだけでなく、訓練素材が性能をどう変えるのかを問うべきだ。買い手は、自社施設やリスク条件に似たテストを求めるべきである。

フィジカルAIへの資金調達が意味を持つのは、実演から信頼できる配備までの道のりを短縮するときだ。それまでは、記録時間は成果ではなく入力にとどまる。

資金調達の圧力はロボットデモから配備の証明へ移っている

最も強い圧力を受けるのは、実際の職場から再現可能な証拠を公表せずに汎用的な能力を約束する企業である。

ロボティクスのスタートアップが資本を集めてきた理由の一つは、単一のモデルが多数の機械とタスクを制御できる可能性にある。この約束は、大規模言語モデルが実現した汎用性に似ている。

物理的な作業は、より容赦がない。モデルは、摩耗し、抵抗に遭い、人と空間を共有するハードウェアを通じて動作しなければならない。

汎用システムは、あらゆる動きを個別にプログラムするのではなく、タスク間で学習を再利用しようとする。この移転が信頼性高く機能するなら、その手法は導入の労力を減らせる。

タスク特化型の自動化は異なる道をたどる。従来の産業用ロボットは、多くの場合、隔壁と予測可能な物体配置を備えた設計済みのセル内で、限定的な作業を行う。

こうしたシステムには、フィジカルAIに関連づけられる柔軟性はない。それでも、確立された安全慣行、測定可能な処理能力、十分に理解された保守要件を備えている。

したがって主要な競争は、あるスタートアップと別のスタートアップの間ではない。汎用学習の約束と、特化型自動化がもたらす運用上の確実性との競争である。

人型ロボットがデモでより適応力があるように見えるからといって、工場が信頼できる機械を置き換えることはない。新たなシステムは、経済性を改善するか、固定型自動化では対応できないタスクを処理しなければならない。

家庭はさらに高い基準を生む。変動が大きく、人との接触がより近く、訓練された技術者も少ない。消費者もまた、ロボットに合わせてすべての部屋を作り変える可能性は低い。

APの韓国からの報道は、この隔たりを捉えている。現在の人型ロボットは、労働者なら約40分で終えるホテルの客室清掃に数時間を要する可能性がある。

それでもLotte Hotelは、今後数年でロボットが清掃やバックヤード業務を支援すると見込んでいる。同社の担当者は、人型ロボットが将来的には一部の準備作業の30%から40%を担える可能性があると見積もった。

これらの数字は期待を示すものであり、検証済みの配備結果ではない。また、初期導入は労働者の完全な代替ではなく、部分的な自動化を伴う可能性を示している。

フィジカルAI企業は、柔軟性がより遅い性能を相殺できる分野を見極めなければならない。不規則な資材搬送、混在在庫、反復的なサービス作業は、候補になり得る。

買い手は、こうしたシステムをより単純な代替手段と比較する。専用アームを備えた移動式ベースは、多くの産業作業で人型ロボットを上回る可能性がある。

資金調達ブームが圧力を高めるのは、大型ラウンドがより大きな期待を生むためだ。企業は、モデルの構築、データ収集、顧客獲得を進めながら、高コストのハードウェアプログラムを支えなければならない。

データ供給企業も独自の試練に直面する。必要なのは、単に記録時間を増やす需要を満たすことではなく、環境をまたいでモデル性能を改善するデータセットだ。

企業には、安全システム、ワークフローソフトウェア、保守プロセス、労働者の訓練との統合も必要である。有能な方策モデルは、配備可能な製品の一層にすぎない。

同じ原則は社内の証拠にも当てはまる。企業が選んだ動画は、未知のタスク全体にわたる構造化された評価の代わりにはならない。

買い手は、テスト環境が訓練データに含まれていたかを問うべきである。人間がどの程度の頻度で介入するのか、ロボットが自身の不確実性を検知できるのかも調べる必要がある。

また、自律的な振る舞いと遠隔操作を区別すべきだ。遠隔支援は有用になり得るが、必要な労働力と運用経済性を変える。

これらの懸念は、フィジカルAIという論旨を否定するものではない。それを裏づけるために必要な証拠を定義するものである。

最も多くの資金を得た企業には今、その証拠を生み出すための資源がある。次の課題は、データ規模がより良いデモではなく、再現可能な性能を生むことを示すことだ。

480億ドルのフィジカルAI資金調達急増後に注目すべきこと

投資サイクルが持続可能なロボティクス市場を築いているのか、それとも高価なデータ実験に終わるのかは、3つの兆候が示す。

第一の兆候は、独立して測定された配備性能である。発表では、タスク完了率、人間の介入、稼働時間、未知の環境における結果を明らかにすべきだ。

有償顧客からの証拠は、社内の研究室テストよりも重みを持つ。倉庫、工場、ホテル、家庭で繰り返し運用されれば、データ駆動型の汎用ロボティクスを支持する根拠は強まる。

拠点間での移転性能が低ければ、その根拠は弱まる。その結果は、企業が依然として顧客や環境ごとに高コストな再訓練を必要としていることを示唆するだろう。

第二の兆候は、より大規模なデータセットから得られる測定可能な成果である。開発者は、追加データが訓練から除外された評価での性能をどう変えるかを示すべきだ。

有用な開示では、特定の種類の実演を追加する前後で失敗率を比較できる。また、一つのロボットでの訓練が別の形態のロボットを改善するかどうかも示せる。

多様なタスクにわたって性能向上が続くなら、業界のスケーリング仮説はより強固になる。改善が早期に頭打ちとなるなら、企業にはより優れたアーキテクチャ、センサー、あるいはデータ選定手法が必要になる。

第三のシグナルは、人間が記録したデータに関するガバナンスだ。企業は、同意、報酬、プライバシー管理、保持方針、地理的な調達元を開示すべきである。

明確な基準はエンタープライズのリスクを軽減し、責任あるサプライヤーを見分ける助けとなる。不透明な状態が続けば、労働者の反発、法的紛争、より厳格な規制を招くことになる。

これらのシグナルはつながっている。文書化が不十分なデータは、バイアスを含む、あるいは信頼性に欠けるモデルを生む可能性がある。不十分な評価では、ロボットが職場に導入されるまで、こうした問題が隠されたままになるおそれがある。

今後数カ月で、資金が少数の統合プラットフォームに集中するかどうかも明らかになるはずだ。ハードウェア、モデル、データ収集、導入を一貫して管理する企業は、システムをより速く改善できる可能性がある。

専門サプライヤーも、多数の顧客に高品質なデータセットを提供することで成功し得る。その優位性は、自社のデータが単一の機械や研究室を超えて活用できることを証明できるかにかかっている。

共有ベンチマークは独自仕様の主張を評価する基準となるため、オープンな研究は引き続き重要である。ただし、公開データセットでは、あらゆる商業環境や安全要件を再現することはできない。

フィジカルAIを検討する企業は、範囲を限定したタスクと明示的な成功基準から始めるべきだ。ロボットのテスト前に、基準となる労働量、失敗コスト、介入の必要性、環境のばらつきを記録する必要がある。

チームには、デモンストレーション、運用上の変更、評価結果に関する継続的な記録も必要だ。検索可能な技術ナレッジベースは、エンジニアリング部門と運用部門の間で失われがちな意思決定を保存する助けとなる。

PitchBookのフィジカルAI向け資金調達データは、投資家が機械は物理世界から学習する準備ができていると考えていることを示している。より重要な試金石は、企業が人間の専門知識を、安全で再現可能かつ経済的に有用な行動へと転換できるかどうかだ。

資金調達総額だけでなく、導入データにも注目すべきである。誰が学習用データを記録したのか、同意をどのように得たのか、追加データが未知のタスクを改善したのかを問う必要がある。

ロボット業界はすでに多額の資本を獲得している。次に証明すべきなのは、拡大する人間の教育・訓練人材が、時間の経過とともに支援をあまり必要としない機械を生み出せるかどうかである。