シェングシューのMotus2は、AIの次の進出先が物理世界であることを示しています。そこが、資金が流れる場所です。

今週で最も印象的なロボティクスデモは、電球を差し込んだり、紙コップを一つ取り出したり、紙を破ったりすることができるロボットの手です。この会社は、一般向けに販売されるものではありません。ShengShu Technologyは、北京にある私設スタートアップ企業で、AIビデオ生成ソフトウェアViduで知られています。9月14日には、「自己進化型の一般的な世界モデル」として、柔軟なロボット操作用のMotus2を発表しました。共同創設者兼CEOの羅一航が提供2026年のバンド・インクルージョン会議にて。

アメリカの個人投資家にとっては、それを無視するのが普通です。トレーディングコードもなく、手を出す方法もありません。しかし、それは間違いです。Motus2を読む価値があります。なぜなら、それはAIの動向を示す一例であり、また、スタートアップにおいては、お金がどこに行くかが明らかだからです。

「世界モデル」とは何か、そしてなぜロボットにそれが必要なのか

最近まで、AIの発展は単なる言語処理の問題でした。モデルは次の単語を予測し、次に画像を予測し、さらに次のビデオフレームを予測するようになった。つまり、ピクセルを通じて世界をシミュレートするものであり、それらが物理法則に従う必要はないのです。しかし、ロボットの場合は逆の問題です。ロボットは何かを掴む必要があります。そして、掴むというのは接触の瞬間です。圧力、滑り、遮断など、手が何かを落とす前の感覚です。視覚だけでは、手が何かを落とすのかどうかを判断することはできません。

Motus2とは、ShengShuが言うところの「閉じたループ」です。つまり、次に何が起こるかだけを予測するモデルではなく、行動を提案し、その視覚的な結果を予測し、どれだけ進展したかを評価するという3つの機能を一つのシステム内で統合しているのです。そして、その評価結果を利用して、人間のフィードバックなしで自らの政策を改善するのです。この会社はこのループを「自己進化型」と呼んでいます。設計目標も明確です。それは、歩くことができるロボットと働くことができるロボットとの間のボトルネックとなっていた精密運動能力を解決することです。

投資家が興味を持つべき点は、ShengShuがどのように訓練データを選ぶかということです。なぜなら、これによってロボティクスにおける最もコストのかかる制約を回避できるからです。手でラベル付けされたロボットのデモンストレーションは少なく、収集するのも費用がかかります。その代わりに、ShengShuはおおよそ…13万時間の自己中心型人間の動画— 人々が手を使って行う動作の第一人称視点での映像 — そして、100時間以上に及ぶロボットの動きのデータのごくわずかな部分を加えて、その人間の経験を、実際にロボットが行えることとして具体的に表現しました。コツは、階層構造です：一般的な事象を説明するために豊富な人間の経験を利用し、限られたロボットのデータを使ってそれを翻訳するのです。

報告された結果は、このリフトが…ということです。タスクの成功率が51％から84％に上昇しました。同じ種類のフィネーティングが行われている。軽量な触覚スキルを追加することで、視覚では解決できない問題を解決することができる。その結果、紙を引き裂くやカップを引き抜くといった、接触が多いテストにおいて、成功率が60％から72.5％に上昇した。これらは研究結果による数値であり、収益とは関係ない。しかし、この成果は、安価に操作の「経験」を得ることができる企業が、一般的な柔軟性を大規模に訓練可能な方法を見つけ出したことを示している。

提供された結果とは別の、ロードマップの主張

ここが、規律が重要になる場所です。技術的な成果も、実際に財務的な成果として実現された時点で意味を持ちます。それ以前ではありません。これが私が適用する運営のルールです。この基準によって、Motus2は提供されるものではなく、単なる主張に過ぎないのです。

ShengShuは、それを「階段の一歩」として捉えています。つまり、Motus2と呼ばれるのです。「レベル3――世界の中で行動する」の具体的な実施そして、それが「レベル4 – 自律型ワールドエージェント」への技術的な道筋を提供するという。その構造や論文、実証例も公開されており、物流、製造、消費者向けロボット工学が対象分野として挙げられている。これらが未来の方向性だ。今回の発表では、顧客がロボットの操作に費用を支払うということは何も言及されていない。また、ロボット工学の経済的側面、つまりロボットやセンサー、導入方法、人間よりも安価になるための総コストなどについては、これらの業界においてはまだ数年先のことである。

それと、実際に運営結果が記載されている『ShengShu』の部分を比べてみるとどうでしょうか。それはViduというビデオ生成ソフトです。このソフトは、MaaS、SaaS、アプリ、エージェントといった形で200カ国以上で販売されています。会社によると…2025年には、ユーザー数と収益が10倍以上に増加する。今日では、ビデオ生成は実際に商業化されている産業です。ロボティクスは、投資家の資金を使って行われる研究プロジェクトに過ぎません。Motus2を単なる収益源として扱うような見方は、まるでロードマップがすぐに実現されるかのように考えていることになります。これこそ、実際の技術的進歩を失望した投資家に変えてしまう間違いです。

起業家を買えないとき、お金はどこに行くのか

つまり、投資の問題というのは、「ShengShuを買うべきか」ということではなく、「ロボティクス事業の収益が得られる前に、誰が報酬を受け取るか」ということです。答えは複雑です。

資金の流れから始めましょう。2026年4月に、アリババクラウドは、20億元、つまり2億9000万ドル相当の資金をShengShuに投じました。TAL Education、Baidu Ventures、Luminous Venturesが協力してこのスタートアップを支援したが、同社は自身の評価額については公表しなかった。アリババの狙いは、動画制作への投資ではなかった。それは、自社のクラウドプラットフォームの利用を促進するためだった。アリババの最も成長が速い収益源それが注目すべき特徴です。戦略的な支援者にとって、ワールドモデルのスタートアップに資金を提供することは、ワールドモデルを推進する手段となります。計算する彼らの雲の上へ――ロボット自体が動くかどうかに関わらず、何らかの場所で処理や推論が行われるのです。

これは、物理世界に適用される初期のLLMのパターンと同じです。計算処理が開発段階で得られる利益をもたらす要素であり、ソフトウェアやハードウェアが実際に利益をもたらすのは後になる。したがって、小売業界において持続的で観察可能な成果とは、上流側のことです。つまり、ワールドモデルやロボティクス教育を行うGPU製造業者や大規模クラウドサービス企業が、今日の投資を得ているのです。一方、実体化ロボティクスの成功者たち——もし彼らが現れるならば——は数年後になって名前が決まるでしょう。そして、彼らは研究機関ではなく、論文を発表した研究者たちではないでしょう。

実際にデモから得られるものは何か、投資できないものは？

これらは、ワールドモデルの移行が実際に起こっているわけではない、またはShengShuが無意味だということを意味するものではありません。つまり、市場はまだ初期段階にあります。数十億ドル規模の資金を得て、ビデオ分野で実際の消費者向け収益を上げているスタートアップであり、ロボティクス技術も進歩しているが、その進歩が実際の売上に転換されているわけではないのです。判断を変えるためには、クラウドやチップによる収益においてワールドモデルやロボティクス技術が実際に活用されていることが重要です。AIがハイスケーラー企業の業績に反映されるように、研究論文も重要な指標です。投資額は実際の成果を示すものです。

それまでは、Motus2をそのまま受け入れておきましょう。これは、AIのサイクルがピクセルから実世界へと移行している証拠であり、この初期段階においても、資金はデモ版を持つスタートアップではなく、コンピューティング機能を持つ層に流れていることを示しています。