【ITニュース解説】Kyutai REKI 2.4B VLA: 32 Registradores de Memória, Flow Matching e Liderança no LIBERO-Plus

現代のAIは、チャットボットのように言葉を理解し生成する分野で目覚ましい進歩を遂げたが、物理的な世界でロボットが実際に物体を操作する「Physical AI（物理AI）」の領域では、まだ大きな課題を抱えている。会話AIは人間が数百ミリ秒の遅延を許容できるが、産業用ロボットや人型ロボットの腕は、25ミリ秒以下という非常に短い時間でフィードバックループを回し、正確に動作する必要があるからだ。

これまでのロボットの「見て、考えて、行動する（Vision-Language-Action - VLA）」モデルには、二つの大きな問題があった。一つは、過去の情報を記憶せず、その場その場の画像情報だけで判断するモデルだ。これは、ロボットの腕が一時的に視界を遮られたり、似たような状況が繰り返されたりすると、どちらに進むべきか分からなくなり、同じ場所で小刻みに揺れ続けてしまう「知覚エイリアシング」という現象を引き起こしていた。もう一つは、過去の複数の動画フレームを直接モデルに読み込ませることで記憶を持たせようとしたモデルだ。これは確かに知覚エイリアシングの問題を減らせるが、過去の動画データ量が爆発的に増え、計算に必要なメモリ（VRAM）が膨大になり、処理にかかる時間（レイテンシ）も許容できないほど長くなるという課題があった。

フランスのKyutai研究所などが開発したKyutai REKIは、このPhysical AIの深刻な問題を、数学的な洗練さと画期的なアーキテクチャによってエレガントに解決した。REKIは合計24億個のパラメータを持つ比較的スリムなモデルで、そのうち22億個が視覚と言語を理解する基盤モデル、残りの2億個がロボットの具体的な行動を生成する「アクション専門家」と呼ばれる部分だ。

REKIの最大の革新は、このアクション専門家の中に「32個の学習済みレジスタトークン」という新しい短期的なエピソード記憶アーキテクチャを導入したことにある。従来のモデルが過去の生の画像データをそのまま再処理しようとしたのに対し、REKIのレジスタは過去3秒間のステレオ視覚情報（左右のカメラで捉えた情報）をわずか2メガバイト（MiB）のVRAM消費で効率的に圧縮し、記憶する。これにより、ロボットの動作決定にかかる推論サイクルに加わる遅延は、たった0.1ミリ秒に抑えられた。REKI全体の推論サイクルは、NVIDIA H100という高性能GPU一枚で21.8ミリ秒と、非常に高速に動作する。

この効率的な記憶メカニズムのおかげで、REKIは目覚ましい成果を上げた。ロボットの腕が不必要に揺れ続ける病的な振動現象を、ベンチマークテストであるRoboTwinにおいて18.6%から4.1%へと大幅に削減した。また、もう一つの主要なベンチマークであるLIBERO-Plusでは、競合するモデルがREKIの約2倍のパラメータ数を持つにもかかわらず、90.4%の成功率を達成し、総合的なリーダーシップを確立した。

Kyutai REKIは、事前学習の全段階をオープンな公開データセットのみで行ったことも特筆すべき点だ。これは、これまで最先端のロボット動作制御技術には、企業が秘密裏に収集した膨大な量のロボット操作データが必要だという業界の常識を打ち破るものだ。REKIの事前学習には、実際にロボットを遠隔操作した約6億4千万フレームのデータ、物理シミュレーションで生成された約1億9千万フレームのデータ、そして人間が一人称視点で作業する約1億7千万フレームの動画データなど、合計10億フレーム以上の視覚データと1220万の多モーダルデータが使用された。これにより、REKIは多様な状況に対応できる汎用性を身につけた。

REKIの優れた設計は、他の最先端のVLAモデルとの比較でも明らかだ。記憶を持たないモデルや、過去のフレームを直接エンコーダに注入するモデルと比較して、REKIはVRAM消費を大幅に抑えつつ、レイテンシを最小限に保ちながら、ロボットの振動を劇的に減らすことに成功した。これは、40Hzを超える高速なロボット制御において、REKIが実用的な解決策であることを示している。

REKIの「アクション専門家」がどのように動作を生成するかというと、「Flow Matching（フローマッチング）」という技術が用いられている。これは、連続的な軌道を生成するための数学的な手法だ。REKIでは、レジスタに格納された過去の記憶と現在の視覚・テキスト情報に基づいて、ロボットの未来のアクションの塊（チャンク）を10ステップのオイラー法という数値計算で予測する。このとき、32個のレジスタは、オイラー法の各ステップで再計算されることなく、一度だけ計算されキャッシュされるため、非常に効率的だ。レジスタは、アクションの生成プロセスとは独立して、視覚やテキストの現在の表現と、過去に格納されたレジスタ情報のみを参照して更新される。これにより、記憶情報の再計算にかかる無駄なコストを徹底的に排除している。

さらに、Kyutai REKIは、GPT-6 AstraやClaude Fable 5.1といった大規模言語モデル（LLM）とも連携できる。これらのLLMは、複雑な指示を解釈し、ロボットに「青いボウルを金属の皿の上に置け」といった高レベルのタスクとして分解する役割（遅い計画システム）を担う。一方、Kyutai REKIは、その分解されたサブタスクを、実際のロボットの速度や関節トルクに直結する連続的なアクションに高速（21.8ミリ秒）で変換する役割（速い反射制御システム）を担う。このように、高レベルな思考と高速な物理制御を分離することで、複雑なロボットタスクを効率的に実行できる新しいPhysical AIのスタックが構築される。

Kyutai REKIは、Hugging Faceでオープンなライセンス（CC BY-NC-SA 4.0）のもとで公開されており、研究、技術評価、非営利のプロトタイピングに利用できる。また、LeRobotという非同期gRPCプロトコルに対応しており、Universal Robots UR5やFranka Emika Pandaといった実際のロボットアームへのデプロイメントも容易だ。わずか50回のデモンストレーションと1時間のトレーニングで、既存のロボットにREKIを適応させることができるという。

Kyutai REKIは、Physical AI、特に視覚情報に基づくロボット操作において、これまで解決が困難だった記憶と遅延の問題を、革新的なアプローチで克服した。これにより、産業オートメーション、自律物流、外科手術ロボットなど、幅広い分野でのロボット技術の発展を加速させる可能性を秘めている。