AIロボット開発の新設計｜SO-101アームロボットでNVIDIAIsaacを学ぶPhysical AI

ロボット開発は今、「動作をプログラムする仕事」から「AIに何を学ばせるかを設計する仕事」へと変わり始めている。その中核にあるのが、Sim2Real――シミュレーションで学習・検証した行動を、現実でも成立させるための設計プロセス――である。

その象徴が、NVIDIA IsaacとOmniverseを産業ロボット大手が仮想コミッショニングへ統合・連携する動きを進めていることであり、本記事ではIsaac時代の設計原理をSO-101で体得できるBC→Sim2Real→Fine-tuningの流れに圧縮し、Sim2Realに渡すべき本当の入力を整理する。

この変化は、ロボット開発者だけでなく、製造業のDX責任者や技術戦略を担うCxOにとっても無視できません。

Isaacはすでに現場へ入り始めている

NVIDIA Isaacは、研究室の中だけで語られる実験的なロボット開発基盤ではなく、産業ロボットの開発・検証プロセスへ入り始めている。

AIロボット開発は、もはや未来予測の対象ではありません。すでに製造業の現場で、その前提が変わり始めています。

NVIDIAは2026年3月、世界合計200万台以上のロボット導入実績を持つFANUC、ABB Robotics、YASKAWA、KUKAが、NVIDIA OmniverseライブラリとNVIDIA Isaacシミュレーションフレームワークを仮想コミッショニングへ統合・連携する動きを進めていると発表しました。

ここで重要なのは、Isaacが単なる「ロボット用シミュレータ」ではないという点です。Isaacは、現場を仮想空間に写し、ロボットを試し、AIを学習させ、実機へ戻し、さらに運用データで育て続けるための開発基盤として位置づけられ始めています。

従来、ロボット開発の競争軸は、ハードウェアの精度、耐久性、制御性能にありました。もちろん、それらは今でも重要です。しかしPhysical AI時代には、それだけでは足りません。

表1：ロボット開発の競争軸の変化

従来の競争軸	Physical AI時代の競争軸
ロボット本体の性能	デジタルツインで検証できるか
制御プログラムの完成度	学習ループを回せるか
実機テストの経験値	仮想空間で大量に失敗できるか
個別現場への調整力	現場差分をデータとして再学習できるか
※ Arpable編集部作成（2026年5月時点）

つまり、ロボット開発は「作ってから試す」世界から、「仮想空間で試し、学ばせ、現実に戻す」世界へ移っています。

この全体像をより広い技術地図として把握したい場合は、AI×ロボット革命の核心技術とは？脳・身体・エネルギーで読む未来展望【2026年版】で、AIチップ、身体、アクチュエーター、電源までを俯瞰できます。

エンジニアの仕事は「書く」から「学ばせ方を構想する」へ変わる

Physical AI時代のエンジニアには、ロボットの動作を1つずつ書く力だけでなく、AIが学習できる条件を設計する構想力が求められる。

従来のロボット開発では、人間が動作を細かく分解し、位置、角度、速度、条件分岐をプログラムしてきました。

たとえば、対象物がこの位置にあればアームを何度動かす。
このセンサー値ならグリッパーを閉じる。
エラーが出たら停止する。

このような設計は、環境が安定している工場では強力でした。しかし、現実世界は毎回同じではありません。

物体の位置は少しずれます。照明は変わります。摩擦も変わります。カメラの見え方も変わります。アームの動きにも微妙な誤差が出ます。

すべての例外を人間が書き切ることはできません。

だからこそ、Physical AI時代のエンジニアに求められる力は変わります。ロボットの動作を1つずつ書く力だけではなく、AIに何を見せ、どんな環境で試させ、何を成功とみなすかを構想する力が重要になります。

ロボット開発の主語は、次のように変わります。

人間がどう動かすか。
ではなく、
AIにどう学ばせるか。

これは、エンジニアの価値が下がるという意味ではありません。むしろ逆です。AIが動作を学習する時代ほど、エンジニアには「何を学ばせるべきか」を定義する力が求められます。

この変化は、ソフトウェア開発におけるAI駆動開発ともつながっています。コードを書くこと自体よりも、目的、制約、評価条件、品質ゲートを設計する力が重要になるという流れは、バイブコーディングの先へ｜AI駆動開発で問われるエンジニアの構想力でも扱っているテーマです。

SO-101はIsaac時代の設計原理を小さく体得する入口である

SO-101の価値は、安価なロボットアームであることではない。Isaac時代の学習ループを、小さな実機で分解して体験できる点にある。

NVIDIA Isaacの全体像を、いきなり理解するのは簡単ではありません。

Omniverse、Isaac Sim、Isaac Lab、Isaac GR00T、Cosmos、Halos。
それぞれが重要な役割を持っていますが、最初から全体を把握しようとすると、読者はツール名の森に迷い込んでしまいます。なお、HalosはSO-101教材の直接工程ではなく、Physical AIを産業スケールへ展開する際に参照すべき安全認証・安全設計の枠組みとして扱います。

そこで有効なのが、SO-101です。

NVIDIAのSO-101向けLearning Pathでは、SO-101ロボットアームを使い、シミュレーションから実機へ移すPhysical AIワークフローを体験します。内容には、SO-101のキャリブレーション、テレオペによるデモデータ収集、GR00Tを使ったVLAモデル訓練、シミュレーション評価、実機展開、Domain Randomization、Co-training、Cosmos Augmentation、SAGE＋GapONetが含まれています。

つまりSO-101は、単なる入門用ロボットアームではありません。Isaac時代のロボット開発で必要になる、次の流れを小さく体験できる入口です。

1. 人間がお手本を見せる
2. データを取る
3. 仮想環境で条件差を試す
4. 実機に戻して差分を見る
5. 失敗をもとに再学習する

この流れを、SO-101では BC → Sim2Real → Fine-tuning として体得できます。

SO-101での学習ループそのものを詳しく知りたい場合は、SO-101で学ぶPhysical AI｜Behavior CloningからSim2Real・Fine-tuningまでの設計原理が技術的支柱になります。本記事は、その上位に立つ統合ハブです。

BC→Sim2Real→FTは、Isaac型開発ループの圧縮版である

BC→Sim2Real→Fine-tuningは、Isaac型の大規模開発ループをSO-101で小さく体験するための圧縮版である。

Sim2Realとは、「シミュレーションで学習・検証したロボットの行動を、現実環境でも成立させるための設計と検証のプロセス」です。

SO-101で学ぶべきなのは、単にロボットを操作する方法ではありません。本当に学ぶべきなのは、学習型ロボット開発の設計ループです。

ここでは、SO-101の3段階を次のように整理します。

表2：SO-101の3段階と設計内容

SO-101の3段階	役割	エンジニアが設計すること
BC	人間のお手本から基本動作を学ぶ	何を見せるか、どんなデータを取るか
Sim2Real	仮想環境で条件差に耐える	身体・場・成功条件をどう定義するか
Fine-tuning	実機に戻して補正する	現実との差分をどう埋めるか
※ Arpable編集部作成（2026年5月時点）

この3段階は、独立した作業の寄せ集めではありません。BCで得たお手本、Sim2Realで設計する仮想環境、Fine-tuningで得る現実差分は、1本の学習ループとしてつながっています。そしてこのループは、NVIDIA Isaac型の大規模開発をSO-101という小さな実機で分解したときにも、同じ構造として現れます。

NVIDIAのSO-101教材では、Sim-to-Realは「シミュレーションで訓練したポリシーを実機へ展開するプロセス」として扱われています。シミュレーションと現実の差は、センシング、アクチュエーション、物理、モデル化などから生じると説明されています。

ここで重要なのは、BC、Sim2Real、Fine-tuningが独立した作業ではなく、1つの学習ループだということです。

BCで人間のお手本を集める。
Sim2Realで仮想環境の中で条件差に耐えられるかを試す。
Fine-tuningで現実との差分を補正する。

この3段階は、Isaac型の大規模開発ループを、SO-101で小さく体験するための圧縮版です。

最大の誤解──Sim2Realに渡すのはBCデータではない

Sim2Realに必要なのは、BCで得たデータそのものではない。ロボットがどんな身体で、どんな場で、何を成功として試行錯誤するのかという定義である。

ここが、多くのエンジニアがつまずくポイントです。

Behavior Cloningで人間のお手本を学習させれば、そのBCデータをSim2Realに渡せばよい。
そう考えたくなります。

しかし、それは誤解です。

BCデータが示すのは、あくまで「人間がこの状況でこう動かした」というお手本です。もちろん重要なデータですが、それだけではSim2Realは成立しません。

Sim2Realに必要なのは、ロボットがどんな身体を持ち、どんな場で動き、何を成功として試行錯誤するのかという定義です。

例えば、ピッキング作業を学習させる場合を考えてみます。BCでは、「この位置にある物体をこう掴む」という人間の動作を学びます。しかしSim2Realでは、それだけでは不十分です。「照明が変わっても認識できるか」「摩擦が変わっても落とさないか」「物体の位置が少しずれても成功とみなすか」といった条件を設計する必要があります。

表3：Sim2Realに必要な3つの定義

Sim2Realに必要な定義	意味	詳細記事
身体の定義	ロボットがどんな形、関節、センサー、可動域を持つか	Sim2Realに渡す3つの情報
場の定義	どんな作業空間、対象物、照明、摩擦、カメラ条件で動くか	Sim2Realに渡す3つの情報
成功の定義	何ができれば成功で、何を失敗とみなすか	Sim2Realに渡す3つの情報
※ Arpable編集部作成（2026年5月時点）

BCが教えるのは「人間がどう動かしたか」である。Sim2Realに必要なのは「ロボットがどんな身体で、どんな場で、何を成功として試行錯誤するのか」である。

SO-101でこの3つをどう具体化するかは、何が変わったのか：Sim2Realに渡す3つの情報｜身体・タスク・成功基準で詳しく扱います。本記事では、まずこの認識の転換だけを押さえてください。

Isaacの8ステップでは、3つの定義はどこで作られるのか

Sim2Realに必要な身体・場・成功の定義は、Isaac型8ステップの1箇所で作られるのではなく、複数工程に分散して定義される。

ここで扱う「Isaac型8ステップ」は、NVIDIAの公式定義ではなく、NVIDIAのOmniverse、Isaac Sim、Isaac GR00T、Isaac Lab、Cosmos、Halos、SO-101教材で説明されている複数の要素を、読者が理解しやすいように整理した理解モデルです。その前提で、対応関係を整理します。

そのうえで、Sim2Realに必要な「身体・場・成功の定義」は、次のようにIsaac型8ステップの中で分散して作られます。

表4：Isaac型8ステップとSO-101の対応

Isaac型8ステップ	主な役割	SO-101側の対応	どの定義を作るか
STEP 1 要件定義	現場の仕事、合格ライン、安全条件を決める	BC前のタスク定義	成功の定義
STEP 2 Omniverse	現場を仮想空間に写し、レイアウトや光条件を再現する	Sim2Real前提の場づくり	場の定義
STEP 3 Isaac Sim	仮想空間で物理・センサー・ロボット挙動を確認する	Sim環境確認	身体＋場の定義
STEP 4 Isaac GR00T	視覚・言語・行動をつなぐVLAモデルを準備する	BC／模倣学習のモデル側	入出力仕様への接続
STEP 5 Isaac Lab	学習・観測・行動・報酬・終了条件を設計する	BC＋Sim2Realの中核	成功の定義を報酬・終了条件へ落とす
STEP 6 Cosmos	想定外条件、視覚変化、シナリオ変化を生成する	Sim2Real強化	場の定義を拡張
STEP 7 産業展開時の安全設計／Halos	NVIDIA Halosは、SO-101教材の直接工程ではなく、Physical AIを実環境・産業スケールへ展開する際に参照すべき安全認証・サイバーセキュリティ・AI安全の枠組みである	SO-101の直接対応なし。産業展開段階で接続	成功の定義に安全・監視・停止・認証の観点を追加
STEP 8 本番投入・運用	実機で差分を収集し、再学習・再検証する	FT／継続改善	身体・場・成功を現実データで更新
※ Arpable編集部によるNVIDIA公式資料の再構成（2026年5月時点）

Isaac Labのタスク設計では、観測、行動、報酬、終了条件などを環境側で定義する考え方が示されています。これは、ここでいう「成功の定義」を、学習可能な報酬や終了条件に落とし込む工程と対応します。

また、SO-101教材では、実機側の作業空間としてライトボックス、照明、カメラ、マット、バイアル、ラックを標準化し、Isaac Labのシーンと一致させることが説明されています。これはまさに、現実側とシミュレーション側の「場の定義」をそろえる作業です。

ここから分かることは明確です。

Sim2Realに必要な3つの定義は、ある1つの工程でまとめて作るものではありません。

成功の定義は、STEP 1で始まり、STEP 5の報酬・終了条件へ落とし込まれます。
場の定義は、STEP 2で始まり、STEP 3で物理環境として検証され、STEP 6のCosmosで拡張されます。
身体の定義は、STEP 3でロボットモデルやセンサーとして扱われ、STEP 5の観測・行動空間へ接続されます。

産業スケールに移行する段階では、Halosが安全認証・サイバーセキュリティ・AI安全性の観点から、実環境展開の安全基盤として機能します。

STEP 7は、SO-101教材に含まれる直接の学習工程ではありません。ここでは、SO-101で体験した学習ループが産業スケールへ移行する際に必要となる安全設計の参照枠として位置づけます。NVIDIA Halosは、Physical AIを実環境へ展開する際の安全認証、サイバーセキュリティ、AI安全性の検査を扱う包括的な枠組みです。

つまり、BCデータは学習材料の1つにすぎません。Sim2Realを成立させる本当の入力は、Isaac型開発ループの前半工程で作られる 身体・場・成功の定義 なのです。

SO-101の3段階はIsaacの8ステップのどこに対応するのか

SO-101のBC→Sim2Real→Fine-tuningは、Isaac型8ステップを手元で小さく体験するための圧縮版である。

次に、SO-101の3段階をIsaac型8ステップに対応づけます。

表5：SO-101の3ステップとIsaac型8ステップの対応

SO-101の3ステップ	Isaac型8ステップで対応する範囲	説明
BC：お手本を見せる	STEP 1, 4, 5	何を成功とするかを決め、GR00T/VLAモデルに対して、テレオペやデモデータで基本動作を学ばせる。
Sim2Real：仮想で鍛えて現実へ近づける	STEP 2, 3, 5, 6	Omniverse、Isaac Sim、Isaac Lab、Cosmosを使い、身体・場・成功条件を定義・拡張・検証する。Halosは産業展開段階の安全基盤として、このループの先に位置づけられる。
Fine-tuning：現実差分で補正する	STEP 8、必要に応じてSTEP 5〜6へ戻る	実機評価で出た失敗をもとに、追加データ、再学習、Cosmos拡張、SAGE＋GapONetなどで改善する。
※ Arpable編集部作成（2026年5月時点）

NVIDIAのSO-101教材では、テレオペによるデモ収集、GR00Tを使ったVLAモデル訓練、シミュレーション評価、実機評価が流れとして示されています。さらに、Domain Randomization、Co-training、Cosmos Augmentation、SAGE＋GapONetというSim2Real戦略も扱われています。

この対応を一言で表すなら、次のようになります。

BC→Sim2Real→Fine-tuningは、Isaac型8ステップをSO-101で小さく体験するための圧縮版である。

ただし、繰り返しますが、BCの出力がそのままSim2Realの入力になるわけではありません。

BCは「お手本」を作る工程です。
Sim2Realは「身体・場・成功の定義」を使って、現実との差分に耐える学習環境を作る工程です。
Fine-tuningは、実機で出たズレをもとに、その定義やモデルを更新していく工程です。

図解：Isaac型8ステップとSO-101の対応

Isaac型8ステップとSO-101の3段階を並べると、Sim2Realが単なる中間工程ではなく、複数工程にまたがる学習設計であることが見えてくる。

図1は、NVIDIA Isaacを中心とした大規模なAIロボット開発の流れを、SO-101で体験できる3段階に圧縮して示したものです。左側の「Isaac型8ステップ」は、本来は要件定義から始まり、仮想空間の構築、物理シミュレーション、AIモデルの導入、学習、世界モデルによる強化、産業展開時の安全設計、そして本番投入後の改善ループまで、多くの工程を含みます。一方、右側のSO-101では、その複雑な流れをBC、Sim2Real、Fine-tuningの3段階として小さく体験できます。特に重要なのは、Sim2Realが単なる中間工程ではなく、「身体・場・成功条件」を定義し、仮想と現実の差を埋める中核であることです。つまりこの図は、SO-101が巨大な産業エコシステムの縮図であることを示しています。

中央の「光のライン」が示す、Sim2Realの本当の意味

特に重要なのが、中央の「Sim2Real」へと集まる光の動きです。

Sim2Real（シミュレーションから現実への移行）は、単に「BC（お手本学習）の次にこなす独立したステップ」と思われがちです。

しかしこの図を見ると、中央の透明な『CORRESPONDENCE（対応関係）』パネルを経由して、左側の複数のステップから右側の「Sim2Real」の箱へ、何本もの光の帯が横断するように流れ込んで結ばれているのが分かります。

これは、Sim2Realを成功させるためには、左側の各ステップで設計される以下の3つの要素が絶対に欠かせないことを意味しています。

• 身体の定義：ロボットがどんな形や可動域を持つか（STEP 3, 5）
• 場の定義：どんな環境や照明、作業空間で動くか（STEP 2, 3, 6）
• 成功の定義：何ができたら合格（報酬）か（STEP 1, 5）

この図は、SO-101が初心者向けの入門ロボットでありながら、その開発プロセス（特にSim2Real）の本質は、プロの大規模な開発サイクル全体を網羅した「横断的な設計」そのものであることを証明しています。SO-101の手元での挑戦は、決して単独のトイ・プロジェクトではなく、世界基準の巨大なロボット開発エコシステム全体の縮図なのです。

左側：Isaac型8ステップの読み方

表6：Isaac型8ステップ（プロの本格的な開発）

ステップ	意味	本記事での位置づけ
STEP 1 要件定義	現場で何を達成すべきかを決める	成功の定義の起点
STEP 2 Omniverse	現場を仮想空間へ写す	場の定義の起点
STEP 3 Isaac Sim	物理・センサー・ロボット挙動を確認する	身体＋場の定義
STEP 4 Isaac GR00T	VLAモデル／頭脳を導入する	お手本データや観測をモデルへ接続
STEP 5 Isaac Lab	観測・行動・報酬・終了条件を設計する	成功条件を学習可能な形へ落とす
STEP 6 Cosmos	想定外条件や視覚変化を増やす	場の定義を拡張
STEP 7 Halos	物理AI産業展開における安全認証の枠組みを提供する	SO-101コースの直接的な工程には含まれない。産業スケール移行時に参照する安全基盤。
STEP 8 本番投入・改善ループ	現場データを集め、再学習・再検証する	Fine-tuningと継続改善
※ Arpable編集部によるNVIDIA公式資料の再構成（2026年5月時点）

右側：SO-101の3段階の読み方

表7：SO-101の3段階（手元での実践）

SO-101の段階	意味	Isaac型8ステップとの関係
BC	人間のお手本を見せる	STEP 1, 4, 5を小さく体験する
Sim2Real	身体・場・成功を定義し、仮想と現実の差に耐える	STEP 2, 3, 5, 6を小さく体験する
Fine-tuning	実機で出たズレを補正し、再学習する	STEP 8を小さく体験する
※ Arpable編集部作成（2026年5月時点）

7本の記事で深掘りするAIロボット開発の全体像

本記事は、AIロボット開発記事群の最上位ハブである。詳細実装や個別論点は、関連7本の記事へ分担することで、読者が迷わず深掘りできる構造にする。

本記事は、AIロボット開発記事群の最上位ハブです。ここでは全体のストーリーを示し、詳細は以下の7本の記事へ委ねます。

表8：関連記事一覧と役割

詳細記事	このハブでの役割	任せる詳細
AI×ロボット革命の核心技術とは？脳・身体・エネルギーで読む未来展望【2026年版】	外周の技術地図	脳・身体・エネルギー、AIチップ、アクチュエーター、電源
SO-101で学ぶPhysical AI｜Behavior CloningからSim2Real・Fine-tuningまでの設計原理	学習ループの技術的支柱	SO-101でのBC、Sim2Real、Fine-tuningの実装原理
何が変わったのか：Sim2Realに渡す3つの情報｜身体・タスク・成功基準	最大の誤解を解く詳細記事	身体・場・成功基準の具体設計
AIロボットは「世界をどう見て」「どう学ぶ」のか｜Cosmos・Omniverse・Isaac Sim・OSMO入門	産業標準側の背景	Cosmos、Omniverse、Isaac Sim、OSMOの閉ループ
身体性AIロボット実装ガイド：LLMとVLAが拓く脳・反射神経の統合設計【2026年版】	将来の実装像	LLM、VLA、Jetson、ROS、安全制御
AIロボット制作プロジェクト 正式キックオフ【2026年版】	ARP実践の宣言	なぜやるか、体制、運営、進め方
SO-101で始めるAIロボット制作の準備編	実践の第一歩	LeRobot、SO-101、Isaac Lab、環境構築
※ Arpable編集部作成（2026年5月時点）

ここで重要なのは、本記事が単なるまとめ記事ではないということです。

本記事は、読者に次の視点を渡します。

ロボット開発は、動作をプログラムする仕事から、AIに何を学ばせるかを構想する仕事へ変わる。
その構想力を体得する入口が、SO-101によるBC→Sim2Real→Fine-tuningである。

各詳細記事は、この中心メッセージを支える補助線として機能します。

ARPのSO-101実践記録は、ここから続いていく

ARPのSO-101プロジェクトは、本記事で完結するものではない。今後の実践記録を通じて、Physical AIを触り、試し、学び、提案できる知見へ変えていく。

ARPのAIロボット開発プロジェクトは、この記事で完結するものではありません。

現時点では、SO-101のサーボキャリブレーションと、リーダーアーム／フォロワーアームの組み立てが完了しています。次の課外活動では、BCデータ収集の前提となる「SO-101システム接続構造図」を確立する予定です。

特に重要になるのが、以下の図です。

図2：SO-101システム接続構造図
リーダー・フォロワー・カメラ・PCの関係と、カメラ視野の設計原則

この図では、次の点を明確にします。

表9：SO-101システム接続構造図の要素

図2で示す要素	意味
リーダーアーム	人間が操作するお手本生成側
フォロワーアーム	学習・推論の対象となる実行側
カメラ	フォロワーアームと対象物を観測する視覚入力
PC / LeRobot	関節角、カメラ映像、タイムスタンプを同期して記録する中枢
カメラ視野	リーダーや操作者の手を映さず、フォロワーと対象物を中心に収める
※ Arpable編集部作成（2026年5月時点）

この図は、単なる配線図ではありません。BCデータをどのように生成するかを示す、最初の設計図です。

今後、ARPでは以下のような続編を順次公開していく予定です。

表10：ARPのSO-101実践続編予定

続編テーマ	内容
初期動作とキャリブレーション	サーボ、リーダー、フォロワー、接続確認
システム接続構造図	リーダー・フォロワー・カメラ・PCの関係
テレオペとデモデータ収集	人間のお手本をどう記録するか
BC学習	収集データから基本動作を学ばせる
Sim評価	Isaac Lab上で動作を検証する
Real評価	実機で動かし、Sim2Realギャップを見る
ギャップ測定と改善	Domain Randomization、Cosmos、SAGE＋GapONetへの接続
事業化・教育・PoCへの展開	ARPとして何を学び、どう活かすか
※ Arpable編集部作成（2026年5月時点）

この連載を通じて、ARPはPhysical AIを単に解説するだけでなく、自ら触り、失敗し、学び、提案できる会社を目指します。

プロジェクトの目的や運営思想については、AIロボット制作プロジェクト 正式キックオフ【2026年版】で詳しく扱います。また、実際の環境構築や準備については、SO-101で始めるAIロボット制作の準備編へ接続します。

まとめ──SO-101で学ぶべきなのは操作ではなく、構想力である

SO-101で学ぶべきなのは、ロボットを動かす操作手順だけではない。AIに何を学ばせるかを設計する構想力こそが、Physical AI時代のエンジニアリングの原点である。

NVIDIA Isaacは、すでに産業ロボット大手の仮想コミッショニングに入り始めています。これは、AIロボット開発が研究段階から現場段階へ移り始めたことを示しています。

この時代にエンジニアが学ぶべきなのは、単にロボットを操作する方法ではありません。

AIに何を見せるか。
どんな世界で試させるか。
何を成功とみなすか。
どの失敗を許し、どの失敗を許さないか。

この構想力こそが、Physical AI時代のエンジニアリングの原点になります。

SO-101によるBC→Sim2Real→Fine-tuningは、その構想力を手元で体験するための入口です。

特に重要なのは、Sim2Realに渡すのはBCデータそのものではなく、身体の定義、場の定義、成功の定義だという点です。

この誤解を解いたとき、Isaac型8ステップとSO-101の3段階は、同じ設計思想を異なるスケールで表していることが見えてきます。

ロボットをプログラムする時代から、ロボットに学ばせる時代へ。
ARPのSO-101プロジェクトは、その変化を自ら体験するための第一歩です。

参考文献 / 出典

次に読むならこの記事