ロボットに家事のやり方を教えているところを想像してみてください。あなたは、単に人間のように話せる巨大な脳を与えることが秘訣だと考えるかもしれません。しかし、ここには厄介な問題があります。ロボットがあなたを理解していると「言っている」からといって、それが実際に「理解している」とは限らないのです。これは「エンボディドAI（身体化されたAI）」と呼ばれる分野の核心です。ここでは、コンピュータは単に本を読むのではなく、現実の物理的な世界と相互作用することで学習しようとします。科学者たちが投げかけている大きな疑問は、ロボットが行動を理解するために言語を使用するとき、その言語は実際に「見る」ことや「動く」ことを助けているのか、それとも単なる「派手な飾り」に過ぎないのか、ということです。GPSを思い浮かべてください。もしGPSが「左に曲がってください」と言ったとしても、それは単なる一文です。しかし、もしGPSが実際にそこに壁があることを「知り」、衝突を防ぐためにあなたを「止める」のであれば、それは別物です。私たちは、ロボットの言語が「スマートなナビゲーター」なのか、それとも「地図を一度も見ることのない乗客」なのかを知りたいのです。

この論文は、著者たちが105もの異なるロボットプロジェクトを精査し、言語が正確にどのような役割を果たしているのか、そしてより重要なことに、誰かがそれが機能することを実際に証明したのかを突き止める、まるで探偵小説のような物語です。彼らは、科学者が「ロボットが何をしたと言っているか」と「ロボットが実際に何をしたか」の間でしばしば混乱していることに気づきました。これを解決するために、彼らは言語が果たしうる5つの異なる「仕事」にロボットを分類する新しい方法を作成しました。彼らはこれらを、指示（Specification）（ロボットに何をすべきかを伝える）、身体的表現（Embodied Representation）（言葉によってロボットが世界を見るのを助ける）、アクション・オーケストレーション（Action Orchestration）（どのスキルを使うかを決定する）、グラウンディング調節（Grounding Regulation）（物事がうまくいかない時にミスを修正する）、実行結合（Execution Coupling）（言葉を直接筋肉の動きに変える）と呼んでいます。

著者たちは、滑稽でありながらも苛立たしいパターンを発見しました。多くの研究者が、自分のロボットは言語を使用しているから非常に賢いと主張していますが、証拠を詳しく調べると、言語が実際に重労働を担っていないことが多いのです。それは、魔法使いが「自分の帽子こそが魔法の源だ」と主張しているのに、実際にはトリックが「袖の中」で起きているようなものです。この論文は、ロボットが計画について語れるからといって、その計画が正しいとは限らず、またロボットがタスクに成功したからといって、言語が成功の理由であったとは限らないことを示しています。彼らは、ほぼすべての論文において「言葉から行動への経路」を辿れることは示されているものの、言葉を変えることが現実世界でのロボットの振る舞いを実際に変えることを証明できた論文は極めて少ないことを発見しました。要するに、この論文は、単に「話せるロボット」を称賛するのをやめ、「話すことが実際に動きを生み出している」という証拠を求めるべきだと主張しています。

ロボット言語の5つの仕事

著者たちは、「言語」とは単一のものではないことに気づきました。それは用途に応じて異なる道具を持つスイスアーミーナイフのようなものです。彼らは、研究対象としたロボットを、言語が実際に「何をしているか」に基づいて5つのカテゴリーに分類しました。

1. 指示（Specification / The Task Master）: これは、言語がロボットに「ゴール（目標）」が何かを伝える場合です。これは、配達員に「ピザを123メインストリートに届けてください」と書かれたメモを手渡すようなものです。言語がルールを設定します。
2. 身体的表現（Embodied Representation / The Translator）: これは、言語がロボットによる物理世界の理解を助ける場合です。ロボットがコップを見て、「これはガラスでできた壊れやすい物体だ」と考える様子を想像してください。これは物理的な世界を言葉へと翻訳し、後で思い出せるようにするものです。
3. アクション・オーケストレーション（Action Orchestration / The Conductor）: これは、言語が「どのスキルを使うか」を決める場合です。もしロボットに「掴む」スキルと「押す」スキルがあるなら、言語は「このコップには『掴む』スキルを使い、あの箱は『押す』」と指示するかもしれません。これはチームを編成します。
4. グラウンディング調節（Grounding Regulation / The Referee）: これは「おっと」という瞬間です。もしロボットがコップを掴もうとして落としてしまった場合、言語は「待て、落としてしまった！やり直さなければ」と気づくのを助けます。新しい証拠を用いて計画を変更します。
5. 実行結合（Execution Coupling / The Muscle）: これは最も直接的なつながりです。言語は単に計画するだけでなく、モーターに直接指示を出します。これは、言葉そのものが「動きの指示」となるようなものです。

証拠の監査（The Great Evidence Audit）

著者たちは単にこれらの仕事をリストアップしただけではありません。彼らはすべての論文に対してテストを行いました。彼らはこう問いかけました。「あなたの言語がこの仕事を本当に果たしていることを、実際に証明しましたか？」彼らは、彼らが**「証拠の監査（evidence audit）」**と呼ぶ5つの特定の種類の証明を探しました。

ここで大きな問題が見つかりました。それは**「証拠の置換（Evidential Substitution）」**です。これは、研究者がしばしば弱い証明を強い主張に置き換えていることを意味する、専門的な言い回しです。彼らは4つの一般的なトリックを発見しました。

• 「読みやすさ」の罠（The "Readable" Trap）: ロボットが明快な英語で計画を書き出したとしても、その計画が正しいとは限りません。それは、完璧なケーキのレシピを書いたものの、使う材料が間違っているようなものです。文章は読みやすいですが、ケーキは失敗します。
• 「内部の変化」の罠（The "Internal Change" Trap）: 時として、ロボットが脳内（例えば「左に曲がるべきだ」という思考バブル）で考えを変えることがありますが、実際に左に曲がることはありません。著者たちは、ロボットが変化を「考えた」からといって、それが現実世界で何か異なる行動をとったことを意味しないことを発見しました。
• 「成功」の罠（The "Success" Trap）: ロボットがタスクを完了すれば、誰もが歓喜します。しかし、言語が助けたのでしょうか、それともロボットが単に運が良かっただけなのでしょうか？論文によれば、ゲームに勝ったことは、言語がMVPであったことを証明するものではありません。ロボットの「目」が非常に優秀だったか、あるいはタスクが簡単すぎたのかもしれません。
• 「行動への近接性」の罠（The "Close to Action" Trap）: 一部のロボットは、言語をモーターのすぐ近くに配置することで、それが「より強力」になると考えています。しかし、著者たちは、それは運転手がステアリングホイールの近くに座っているからといって、そのドライバーが上手いと言っているようなものだと述べています。もしドライバーが実際に運転の仕方を知らなければ、座席の位置は重要ではありません。

数字が示すこと

著者たちは105の異なる論文を調査しました。証拠の監査によって明らかになった内容は以下の通りです。

• 100% の論文が、言語から行動への経路を辿れることを示しました（彼らはこれを**ルートの追跡可能性（Route Traceability）**と呼びました）。つまり、ロボットは言葉と動きを接続することができました。
• 92.4%（97論文）は、言語をいじったときに、行動上の結果を報告したことを示しました（これは**標的行動テスト（Targeted Behavioral Test）**と呼ばれます）。これは、彼らが言語を変更しようと試み、何らかの結果を得たことを意味しますが、必ずしも成功や意図した変更であったとは限りません。
• 72.4%（76論文）は、ロボットの言葉が現実世界と一致しているかどうかを確認しました（例えば、見ている「コップ」が本当にコップであるかどうかの確認です）（これは**身体的制約チェック（Embodied-constraint check）**と呼ばれます）。
• 81.0%（85論文）は、主要な代替説明と比較して、言語が真のヒーローであるかどうかを確認するために、異なる言語設定を用いたバージョンと比較しました（これは**主張相対的隔離（Claim-relative isolation）**と呼ばれます。これは言語を完全に排除したわけではなく、最も可能性の高い他の原因に対して、その特定の役割を分離したことを意味します）。
• わずか 28.6%（30論文）のみが、ロボットがミスをしたときに、言語が修正を促し、それが試行の「変更」につながったことを実際に示しました（これは**クローズドループ・フィードバック（Closed-loop feedback）**と呼ばれます。決定的なのは、この数字はロボットが正常に回復したか、あるいはタスクを完了したかではなく、失敗の後に「計画が変更された」論文の数をカウントしているという点です）。

この最後の数字は、大きな驚きです。多くのロボットは話し、計画を立てることができますが、現実世界での失敗の後に、言語がアプローチの変更を助けることを実際に示したものは極めて少ないのです。著者たちは、ほとんどの場合、ロボットの「賢い」部分は実際には視覚システムやモーターコントローラーであり、言語はただ付いてきているだけであると示唆しています。

まとめ

この論文は、「言語のグラウンディング（接地）」を、ロボットを賢くするための魔法のラベルとして扱うのをやめるべきだと結論づけています。代わりに、私たちはより具体的になる必要があります。「言語が果たしている具体的な仕事は何であり、その仕事を果たしているという証拠はあるのか？」と問う必要があるのです。

著者たちは、言語が無用だと言っているわけではありません。彼らは、より良い証明が必要だと言っているのです。もしロボットが、自身は言語を使うから賢いと主張するならば、私たちはその言葉をそのまま鵜呑みにしてはいけません。言語が実際に船を操縦しているのか、それとも単に地図を持っているだけなのか、その証拠を見る必要があるのです。そのような証拠が得られるまでは、私たちは言葉に与えすぎた信頼を与え、これらのロボットがどのように学習するかという実際のメカニズムに十分な注意を払っていないのかもしれません。