2026年8月22日、北京で開かれた「世界人型ロボット運動会」の100m走で、人型ロボットが9秒32を記録しました（時事ドットコム。速報値で、のちの集計では9秒39とするものもあります）。ウサイン・ボルトが2009年に記録した人間の世界記録は9秒58です。2位のロボットも9秒47で、こちらも上回っています。 大会は8月22日から26日まで開かれ、準決勝では8秒86まで縮みました。
同じころ、テスラは車の生産ラインを人型ロボットに切り替える計画を公表しています。ロボットが急に伸びている、という印象は事実に合っています。
では、LLMのおかげなのでしょうか。 答えは「半分」です。ロボットの制御は2つの層に分かれていて、LLMが変えたのは片方だけだからです。
ロボットの制御は、2つの層に分かれている
ロボットに「机の上のコップを取って」と頼む場面を考えます。ここには、性質のまったく違う2つの仕事があります。
この記事で「層」と書くのは、制御の受け持ちの上下のことです。 LLMの中でデータが通っていくニューラルネットワークの層とは、別の話です。
下の層は、体を動かすこと。 転ばずに立つ、歩く、走る、腕を伸ばしても倒れないようにバランスを取る。1秒間に何百回も関節の力を計算し直す世界です。
上の層は、何をすべきかを決めること。 「コップ」がどれかを見つけ、「取って」が何をすることなのかを理解し、近づく・掴む・持ち上げるという手順に分ける。
この2つは、まったく別の技術で進みました。 100m走の記録は下の層の成果で、LLMは関与していません。
走る速さを作っているのは、強化学習とシミュレーション
下の層で使われているのは、強化学習（英語では reinforcement learning）です。うまくいった動きに高い点数を与え、その点数が高くなる方向へ動かし方を鍛えていく、という学び方です。
鍛える場所は、現実ではなく仮想空間です。 実機で何万回も転ばせれば壊れますが、シミュレーションの中なら壊れません。そこで覚えた動かし方を、そのまま実機に移します。この移し替えをsim-to-real（シミュレーションから現実へ）と呼びます。
問題は、仮想空間と現実がずれていることです。床の滑りやすさも、関節の癖も、シミュレーションどおりではありません。そこで、わざと条件をばらつかせて訓練します。 地面の粗さ、押される力、機体の特性を毎回ランダムに変えて覚えさせると、現実のずれにも耐える動かし方になる、という手法です。
進み方も速くなっています。2025年12月に公開された論文では、GPU1枚（RTX 4090）・15分で人型ロボットの歩行の方針を学習させ、実機に移せたと報告されています。対象はUnitree G1とBooster T1という実在の機体です。
ここまでの説明に、LLMは一度も登場しません。 走る速さは、ことばとは関係のない場所で作られています。
ことばで頼めるようになったのは、LLMの側の変化
上の層が、LLMの話です。
この分野の名前はVLA——Vision-Language-Action（視覚・言語・動作）モデルです。画像を見て、ことばの指示を理解し、そのまま関節をどう動かすかまで1つのモデルで出力するという作りをしています。
最初のまとまった形は、2023年7月にGoogle DeepMindが公開したRT-2でした（公式の発表）。
仕掛けは、驚くほど単純です。ロボットの動作を、文字のトークンとして書かせました。 位置の変化（前後・左右・上下）、回転の変化、そして手先の開け閉め——これらを数値の並びとして出力させたのです。そうすると、「次の語を当てる」訓練をしてきた言語モデルが、そのまま動作を出力する装置として使えます。
効果は数字で示されています。学習していない環境での成績が、前の世代のRT-1の32%から62%に上がりました。 新しい技能への対応では3倍以上の改善が報告されています。
2026年時点で先頭を走っているのは、Physical Intelligence社のπ0.6と、GoogleのGemini Roboticsです。NVIDIAもGR00T N1という20億パラメータのモデルを公開しています。
なぜ言語モデルを土台に置くのか——ロボットのデータが足りないから
VLAは、どれも既存の視覚言語モデルを土台にしています。 RT-2はPaLI-XとPaLM-E、π0はPaliGemma、GR00T N1はEagle。ロボット専用にゼロから作ってはいません。
理由は、データです。ロボットが実際に物を掴んだ記録は、世界中から集めても限られています。 一方、ウェブ上の画像と文章は、事前学習に使えるだけの量があります。
そこで、こういう順序になります。
- ウェブ規模のデータで視覚言語モデルを事前学習する。 この時点でモデルは、コップが何か、机が何か、「取って」が何を指すかを、すでに知っている
- そのモデルに、限られたロボットの動作データを追加で学習させる。 知識はもう備わっているので、動作への繋ぎ方だけを覚えればよい
ロボットのデータを1件も見ていない段階で、すでに世界についての知識を持っている。 ここがVLAの要点です。LLMの進歩がロボットの性能を押し上げているのは、この土台の部分であって、走る速さの話ではありません。
米国と中国で、いま何が起きているか
中国では、上に挙げた世界人型ロボット運動会が2026年8月に第2回を迎えました。競技会という形で企業を競わせ、記録を更新させる進め方です。Unitree、Booster、天工（TianGong）といった機体の名前が並びます。
米国では、テスラの動きが目立ちます。2026年第2四半期に、フリーモント工場のModel S・Model Xの生産を終え、その組立ラインを人型ロボットOptimusに転用する計画が公表されました。目標は年産100万台。ただしイーロン・マスク本人が、立ち上がりについて「S字カーブの最初の部分はかなり平らで長い」と予告しています。 車と違い、主要な部品の供給網が既にあるわけではないから、という理由です。
競技会の記録と、実務でできることは別
最後に、読み違えやすいところを書いておきます。
100mを9秒台で走れることと、役に立つことは、まだ繋がっていません。 同じ大会で、ゴールしたロボットがそのままマットに激突しています。 全力で走る方針は覚えていても、走り終わって止まることまでは含まれていなかった、ということです。
そして、競技の記録は下の層だけを測っています。 頼まれた作業をこなせるかどうか——上の層の能力は、この記録には現れません。RT-2の62%という数字が示すとおり、学習していない場面での成功率は、まだ人間の作業を任せられる水準ではありません。
「ロボットが人間より速く走った」と「ロボットが人間の代わりに働く」のあいだには、まだ距離があります。 そして、その距離を詰めているのは主にLLMの側です。
まとめ
- ロボットの制御は2つの層に分かれる。 下は体を動かすこと（走る・バランスを取る）、上は何をすべきかを決めること
- 100m走の記録は下の層の成果で、LLMは関与していない。 仮想空間で条件をばらつかせながら鍛える強化学習と、それを実機へ移すsim-to-realによる。2025年12月の論文では、GPU1枚・15分で人型の歩行を学習させた例が報告されている
- ことばで頼めるようになったのは上の層で、ここがLLMの側の変化。 VLA（視覚・言語・動作）モデルと呼ばれ、2023年7月のRT-2（Google DeepMind）が最初のまとまった形。ロボットの動作を文字のトークンとして書かせることで、言語モデルをそのまま動作の出力に使えるようにした
- VLAはどれも既存の視覚言語モデルを土台にしている。 理由は、ロボットが物を掴んだ記録が限られているから。ウェブ規模のデータで世界の知識を先に持たせ、動作への繋ぎ方だけを覚えさせる
- 2026年8月、北京の大会で人型ロボットが100mを9秒32（速報値）で走り、ボルトの9秒58を上回った。ただしゴール後にマットへ激突している
- 米国ではテスラがModel S・Xの組立ラインをOptimusに転用する計画を公表。マスク本人が立ち上がりの遅さを予告している
「ロボットが急に良くなったのはLLMのおかげか」への答えは、片方だけ本当です。走る速さは、ことばとは無関係のところで作られました。LLMが変えたのは、頼んだことが通じるかどうかのほうです。