ロボット学習データの野蛮な成長期は終わった。かつてデータセットが乱立し、それぞれが独立していた時代は過ぎ去った。2025年中期までに、オープンソースのロボットエコシステムは明確な「三つ巴」構図を形成している——Open X-Embodiment（OXE）、LeRobot、InternData-A1の三つのエコシステムが、現在のロボット基盤モデルの実質的な標準を定義し、2023年以前の単一データセットはもはや競争力を失っている。## 分散から統一へ：偶然ではないHugging Face Hub上のロボットデータセットの進化を見ると、業界全体が専門的な機関向けの断片的なコレクションから、大規模で標準化されたコミュニティ主導の統一モデルへと変化していることがわかる。この変化は偶然でもなければ、誰かが強制的に推進した結果でもない。根本的には、汎用ロボット戦略の訓練には規模と標準化が必要であり、エコシステムレベルでは、支援が充実し、主流フレームワークとマッチするプロジェクトほど、開発者を惹きつけやすい。## 三大エコシステムの特色**OXE：ロボット分野のImageNetの瞬間**Open X-Embodimentは、2023年末に34の先進的ロボット研究所が共同で立ち上げたコンソーシアム。これは単一のデータセットではなく、既存の60以上のデータセットを統一アーキテクチャの下で大規模に統合したものだ。数字で示すと：- 100万以上の実世界軌跡- 22種類のロボット形態（産業用アームから四足歩行ロボット、移動アームまで）- すべてのデータはTensorFlowとApache Arrowを基盤としたRLDS標準フォーマットに変換済み重要な示唆は明快——シンプルな操作はすでに商品化されている。掴む・置く、引き出しを開ける、単腕での組み立てといった基本タスクは、データレベルで「解決済み」だ。これにより、基礎的な遠隔操作データを売って稼ぐ時代は完全に終わった。今後の商業価値は、高精度の専門家データや、家庭内の長期操作、あるいは人型やソフトな具身を持つ稀少なデータにある。**LeRobot：PyTorch陣営の標準解答**OXEが代表するGoogle/TensorFlowの研究路線と異なり、Hugging FaceのLeRobotは、より広範なオープンソースコミュニティの事実上の標準となりつつある——特にPyTorch愛好者にとって。このエコシステムのキラーコンテンツは、データセット＋モデル＋訓練コード＋評価ツールのフルスタックだ。ストレージの革新も注目すべき点：LeRobot Dataset v3.0はApache Parquet＋圧縮MP4/AV1を採用し、従来比でストレージ効率は5〜10倍向上、読み込み速度も大幅に改善された。代表的なデータセットは：- **DROID 1.0.1**：50以上のチームから約76,000のデータセットを収集。意図的に「野外環境」で収集し、実世界の変動を最大限反映- **Alohaシリーズ**：高精度の二腕・移動二腕データ現実的な示唆：データ配信の標準はすでにParquet＋MP4に永久に移行している。ROSパッケージや生の動画を使い続ける商用提供者は、実質的に顧客に不要な技術負担を増やしているに過ぎない。**合成データの「逆襲」：InternData-A1**第3の勢力は、大規模で高忠実度な合成データだ。上海AI研究所のInternData-A1は、この方向性の最新進展を示す。- **規模**：63万軌跡、これは7,433時間分のロボット作業に相当- **物理的多様性**：剛体だけでなく、関節化物体、流体、粒子、変形材料（布、ロープなど）も含む- **技術スタック**：先進的な物理エンジン＋ドメインランダム化＋光学的リアルなレンダリング＋自動化されたコース生成## 現実とのギャップ：合成データの天井しかし、ここに重要な転換点がある——合成データは進歩しているものの、万能ではない。2025年10月の総合調査によると、工学的進展は著しいものの、シミュレーションと現実の間の根本的な差異は解消されておらず、むしろ狭いながらも重要な領域に圧縮されている。主な課題は以下の通り：**ダイナミクスのギャップ**：最先端の2025年物理エンジンでも、カオス現象、変形物体、薄殻（布の屈曲や折り皺の記憶）や数値積分の誤差を完全に処理できない。シミュレーション上で良好に動作しても、実環境の密接な接触を伴うタスクでは崩壊する可能性が高い。**知覚・センサーのギャップ**：合成レンダリングは写真レベルのリアルさを実現しているが、システム的なアーティファクトは依然存在。実カメラの欠陥モデルの不正確さ、サブサーフェス散乱、ハロー効果、埃や汚れなど。**実行制御のギャップ**：実ロボットは時間とともに制御器が漂うため、個体ごとに微調整が必要。**システムの環境適応性のギャップ**：安全制御器、通信遅延、未モデル化の床の適合性などは、シミュレーションでは正確に再現しづらい。データによると、現行の基盤モデル（RT-2-X、Octoなど）は、シミュレーションから実ロボットへの移行時に成功率が通常40〜80％低下し、特に変形物体や接触密集、長期タスクでは最も悪い結果となっている。## 実のところ、リアルデータはまだ淘汰されていない大規模なドメインランダム化、残差モデル化、混合訓練（90〜99％合成＋1〜10％実データ）といった緩和策は進歩しているものの、2025年の現状は、ゼロショットのシミュレーション移行は中程度の複雑さの剛体タスクや制御された環境に限定されている。可変形物体、流体、高精度の組み立て、非構造化家庭操作などの応用には、やはり高品質な実世界データ——特に専門家による高品質なデモデータ——の価値は絶大だ。**これがデータ提供者にとって何を意味するか？** 2026〜2028年の商機は、大規模合成データと厳選された実軌跡を組み合わせたハイブリッドアプローチにあり、特に「難易度の高い」分野（布、液体、密集した雑多なシーン、多段階推論）での展開だ。純粋な合成データだけでは、今後も本番運用には十分ではないだろう。## 追記：どのデータセットを使うかから「どう混合するか」へOXE、LeRobot、InternData-A1の融合は、ロボット学習データの断片化時代の終焉を告げるものだ。私たちはすでに「後データセット」段階に入り、重要な問いは次の通りだ——- いかにして、実データ、合成データ、蒸留データを最も効果的に混合できるか？- モデル蒸留において、メタデータはどう設計すれば生き残るのか？- どの具身・物理現象が依然として重要なボトルネックなのか？今後2〜3年で成功を収めるのは、高品質で標準化に適合しつつ、縮小しつつある「難点領域」においても実データ収集の優位性を維持できる提供者だ。
ロボットデータ「三足鼎立」時代の到来、断片化は過去のものとなった
ロボット学習データの野蛮な成長期は終わった。
かつてデータセットが乱立し、それぞれが独立していた時代は過ぎ去った。2025年中期までに、オープンソースのロボットエコシステムは明確な「三つ巴」構図を形成している——Open X-Embodiment（OXE）、LeRobot、InternData-A1の三つのエコシステムが、現在のロボット基盤モデルの実質的な標準を定義し、2023年以前の単一データセットはもはや競争力を失っている。
分散から統一へ：偶然ではない
Hugging Face Hub上のロボットデータセットの進化を見ると、業界全体が専門的な機関向けの断片的なコレクションから、大規模で標準化されたコミュニティ主導の統一モデルへと変化していることがわかる。
この変化は偶然でもなければ、誰かが強制的に推進した結果でもない。根本的には、汎用ロボット戦略の訓練には規模と標準化が必要であり、エコシステムレベルでは、支援が充実し、主流フレームワークとマッチするプロジェクトほど、開発者を惹きつけやすい。
三大エコシステムの特色
OXE：ロボット分野のImageNetの瞬間
Open X-Embodimentは、2023年末に34の先進的ロボット研究所が共同で立ち上げたコンソーシアム。これは単一のデータセットではなく、既存の60以上のデータセットを統一アーキテクチャの下で大規模に統合したものだ。
数字で示すと：
重要な示唆は明快——シンプルな操作はすでに商品化されている。掴む・置く、引き出しを開ける、単腕での組み立てといった基本タスクは、データレベルで「解決済み」だ。これにより、基礎的な遠隔操作データを売って稼ぐ時代は完全に終わった。今後の商業価値は、高精度の専門家データや、家庭内の長期操作、あるいは人型やソフトな具身を持つ稀少なデータにある。
LeRobot：PyTorch陣営の標準解答
OXEが代表するGoogle/TensorFlowの研究路線と異なり、Hugging FaceのLeRobotは、より広範なオープンソースコミュニティの事実上の標準となりつつある——特にPyTorch愛好者にとって。
このエコシステムのキラーコンテンツは、データセット＋モデル＋訓練コード＋評価ツールのフルスタックだ。
ストレージの革新も注目すべき点：LeRobot Dataset v3.0はApache Parquet＋圧縮MP4/AV1を採用し、従来比でストレージ効率は5〜10倍向上、読み込み速度も大幅に改善された。
代表的なデータセットは：
現実的な示唆：データ配信の標準はすでにParquet＋MP4に永久に移行している。ROSパッケージや生の動画を使い続ける商用提供者は、実質的に顧客に不要な技術負担を増やしているに過ぎない。
合成データの「逆襲」：InternData-A1
第3の勢力は、大規模で高忠実度な合成データだ。上海AI研究所のInternData-A1は、この方向性の最新進展を示す。
現実とのギャップ：合成データの天井
しかし、ここに重要な転換点がある——合成データは進歩しているものの、万能ではない。
2025年10月の総合調査によると、工学的進展は著しいものの、シミュレーションと現実の間の根本的な差異は解消されておらず、むしろ狭いながらも重要な領域に圧縮されている。
主な課題は以下の通り：
ダイナミクスのギャップ：最先端の2025年物理エンジンでも、カオス現象、変形物体、薄殻（布の屈曲や折り皺の記憶）や数値積分の誤差を完全に処理できない。シミュレーション上で良好に動作しても、実環境の密接な接触を伴うタスクでは崩壊する可能性が高い。
知覚・センサーのギャップ：合成レンダリングは写真レベルのリアルさを実現しているが、システム的なアーティファクトは依然存在。実カメラの欠陥モデルの不正確さ、サブサーフェス散乱、ハロー効果、埃や汚れなど。
実行制御のギャップ：実ロボットは時間とともに制御器が漂うため、個体ごとに微調整が必要。
システムの環境適応性のギャップ：安全制御器、通信遅延、未モデル化の床の適合性などは、シミュレーションでは正確に再現しづらい。
データによると、現行の基盤モデル（RT-2-X、Octoなど）は、シミュレーションから実ロボットへの移行時に成功率が通常40〜80％低下し、特に変形物体や接触密集、長期タスクでは最も悪い結果となっている。
実のところ、リアルデータはまだ淘汰されていない
大規模なドメインランダム化、残差モデル化、混合訓練（90〜99％合成＋1〜10％実データ）といった緩和策は進歩しているものの、2025年の現状は、ゼロショットのシミュレーション移行は中程度の複雑さの剛体タスクや制御された環境に限定されている。
可変形物体、流体、高精度の組み立て、非構造化家庭操作などの応用には、やはり高品質な実世界データ——特に専門家による高品質なデモデータ——の価値は絶大だ。
これがデータ提供者にとって何を意味するか？ 2026〜2028年の商機は、大規模合成データと厳選された実軌跡を組み合わせたハイブリッドアプローチにあり、特に「難易度の高い」分野（布、液体、密集した雑多なシーン、多段階推論）での展開だ。純粋な合成データだけでは、今後も本番運用には十分ではないだろう。
追記：どのデータセットを使うかから「どう混合するか」へ
OXE、LeRobot、InternData-A1の融合は、ロボット学習データの断片化時代の終焉を告げるものだ。私たちはすでに「後データセット」段階に入り、重要な問いは次の通りだ——
今後2〜3年で成功を収めるのは、高品質で標準化に適合しつつ、縮小しつつある「難点領域」においても実データ収集の優位性を維持できる提供者だ。