「あの実演は、人が操っている」 ― マスクが暴いた人型ロボットの舞台裏

テスラ決算でマスクが断じた「人型ロボットの実演は演出か遠隔操作」。だが酒を注いだOptimusも人が操っていた。遠隔操作が消えない構造を、モラベックの逆説と模倣学習のデータ工場から解剖し、中国の出荷8割の現実まで追う。

2026年7月22日、テスラの4月から6月期の決算説明会で、イーロン・マスクは自社の業績よりも先に、業界全体へ疑問を突きつけた。ネット上にあふれる人型ロボットの見事な実演の多くは、あらかじめ動きを作り込んだ演出か、裏で人間が操る遠隔操作にすぎない。「一般的な仕事を自分でこなせる人型ロボットは、まだ存在しない」(決算説明会の要旨)。そのうえで、その最初の一台になるのはOptimusだと宣言した。

この発言は挑発的だが、業界の急所を正確に突いている。2026年4月に北京で開かれたハーフマラソンでは、完走した47チームのロボットのうち、自分の判断で走ったのは18チーム。残る29チームは人間の遠隔操作だった。一方でこの発言には、あまり報じられない跳ね返りがある。バーで酒を注ぐOptimusの映像もまた、人間が裏で操っていたことを、テスラ自身が認めているのだ。本稿は、マスクが引いた「本物」の線を起点に、なぜ人型ロボットの実演から遠隔操作が消えないのかを、モラベックの逆説とデータの構造から解き明かす。そのうえで、部品1万点の量産という壁と、世界の出荷の8割を占める中国の現状に迫る。株価は扱わない。追うのは、機械が人の代わりに働くまでの、残りの距離である。

マスクが引いた「本物」の線 ― 指示だけで、仕事が始まるか

マスクが決算の場で示した合格基準は、明快だった。人間があらかじめ動きをプログラムしなくても、言葉で頼むか、手本の映像を見せるだけで、ロボットが自分で状況に合わせて仕事をやり遂げること。この基準を満たす人型ロボットは、世界のどの企業もまだ作れていない、と彼は言い切った(Alphastreet 決算書き起こし)。

テスラの解き方は、自動運転FSDと同じ「端から端まで(エンドツーエンド)」の一本道だ。カメラの画素を入力し、関節の制御を出力する。中間に人間が書いた規則を挟まない。この設計は、弊誌が別稿で解説したVLA(視覚・言語・動作)という基盤モデルの潮流と同じ流れにある。カメラの映像と言葉の指示を一つのモデルが受け取り、毎秒数十回の関節指令へ翻訳する。対話AIが言葉を紡ぎ出すのと同じ原理で、ロボットに動作を紡ぎ出させる。理屈は美しい。問題は、この理屈を現実の台所や工場で成り立たせるための材料、つまり「動作の教師データ」が、この世界に決定的に足りないことである。そこに、遠隔操作が消えない本当の理由がある。

完走47チームのうち、自分の足で走ったのは18 ― 実演の内訳

マスクの指摘は、数字で確かめられる。舞台は、2026年4月に北京で開かれた人型ロボットのハーフマラソンだ。優勝した機体は21キロあまりを50分26秒で走り切り、人間の世界記録57分20秒(ジェイコブ・キプリモ)を上回った(PBS・Al Jazeera)。見出しだけ読めば、機械が人間を追い越した歴史的な一日である。だが内訳を見ると、景色が変わる。完走47チームのうち、自律航法で走ったのは18チーム。残る29チームは、人間による遠隔操作で走った。自分の判断で走った割合はおよそ38%で、マスクの言う「4割ほど」とほぼ一致する。

競技の外でも、同じ構図が続く。海外で売られる商用の人型ロボットの多くは、仮想現実(VR)の装置を着けた人間が遠隔で腕を動かす方式を、公式の機能として備える。動画共有で数百万回再生される「ロボットとの気の利いたやり取り」の多くは、事前に振り付けられた演出だ。演出も遠隔操作も、それ自体は不正ではない。問題は、それが「自分で考えて動いている」ように見せて拍手を浴びるとき、見る側の期待と技術の現在地との間に、埋まらない溝ができることである。

酒を注いだOptimusも、人が動かしていた ― 批判の跳ね返り

この批判には、報じられることの少ない裏面がある。2024年10月10日、テスラは「We, Robot」と題した発表会を開き、会場でOptimusが来場者と話し、じゃんけんをし、バーで酒を注いだ。多くの来場者は自律動作と受け取ったが、実態は別室の人間による遠隔操作だった。著名な技術評論家ロバート・スコブルは、バーテンダー役が「完全なAIではなく、人間が遠隔で補助している」ことを確認し、会場の映像にはOptimus自身が「人間の補助を受けている」と認める場面まで残っている(Cybernews)。モルガン・スタンレーのアナリスト、アダム・ジョナスは顧客向けの報告書に「ロボットは遠隔操作(人間の介入)に依存していた」と記した(Fortune)。

つまりマスクは、業界のからくりを、外から見抜いたのではない。自社の舞台で同じからくりを演じたからこそ、その手の内を知っている。この跳ね返りを踏まえると、決算の場での発言は、業界への告発であると同時に、自社への期限の宣言としても読める。「次にOptimusを見せるときは、演出ではない」と、市場に向けて退路を断ったのだ。演出と本物の距離を正確に把握していた者が、その距離を自分の製品で埋めると言った。発言の重みは、そこにある。

なぜ遠隔操作が消えないのか ― モラベックの逆説と、動作データの飢え

遠隔操作が消えない根には、ロボット工学が40年近く抱える構造的な問題が二つある。第一が、モラベックの逆説だ。1980年代にロボット研究者ハンス・モラベックらが指摘したとおり、計算機にとっては、チェスや数学のような「人間には難しいこと」が易しく、歩く・つかむ・そっと置くという「幼児にもできること」が桁違いに難しい。人間の手は20を超える自由度を持ち、指先の触覚で力加減を無意識に調整する。この「易しそうに見える最難関」こそが、人型ロボットの正体である。

第二が、教師データの不足だ。対話AIが急伸したのは、ウェブに何兆語という文章が蓄積されていたからである。ところが「コップを割らずに持つ」動作のデータは、ウェブのどこにも転がっていない。そこで各社は、人間が遠隔操作でロボットを動かし、その操作記録を教師データとして集める。模倣学習と呼ばれるこの仕組みでは、遠隔操作こそがデータの生産設備になる。テスラ自身、動作追跡スーツを着て一日中歩き、物をつかむ「データ収集オペレーター」を時給48ドル前後で募集してきたと報じられている。実演の裏の遠隔操作は、ごまかしであると同時に、自律への必要な工程でもある。ごまかしと工程の違いは、それを観客への演出に使うか、教師データの採取に使うかという一点にある。マスクが第一陣のOptimusを外販せず、社内の訓練組織「Optimus Academy」でのデータ採取に充てると決めたのは、この構造を正面から認めた判断だ(RoboZaps)。

部品1万点、供給網はゼロから ― Optimus量産の現実

宣言の先には、製造の壁が立ちはだかる。マスク自身が決算で認めた。Optimusは「テスラがこれまで作った中で、量産がもっとも難しい製品」であり、理由は「ロボット上のすべてが新しいから」だ。電気自動車と違って、頼れる部品の供給網が存在しない。丸ごと自前で築くか、内製するしかない(Alphastreet)。1台に載る部品はおよそ1万点。フリーモント工場ではモデルS/Xの生産ラインを専用ラインへ転換中で、量産開始は「年内後半」、立ち上がりは「きわめて緩やか」と予告された。決算説明会の時点で、量産数はゼロである(TechTimes)。現段階で最大の難所は半導体の調達で、テスラは自社チップの増産に巨額を投じている(The Register)。

技術の照準は、手に合わせられている。第3世代Optimusの目玉は、片手22自由度(前世代の2倍)、両手で50個の駆動装置という、人間並みの手だ。マスクの言う「人の手に並び、さらに超える精密作業」の土台であり、同時に、駆動装置の量産という新たな難所の予告でもある。外部の分析者は、1万台規模の実配備が現実になるのは2028年から2029年と見る。マスクの語る「数百万台」との距離は、まだ大きい。演出を終わらせると宣言した当人が、まず越えるべきは演出ではなく、生産の谷である。

出荷の8割は中国 ― 演出を退ける者と、量で迫る者

そして、この論争の外側で、静かに数字を積み上げている一群がいる。調査会社カウンターポイントによれば、2026年時点で世界の人型ロボットの配備の80%超は中国にある(SCMP)。出荷台数では世界のおよそ9割を中国が占めるという集計もある(TechTimes)。2025年の世界の設置台数は約1万6,000台で、うち約1万3,000台が中国からの出荷だった。調査会社トレンドフォースは、中国の2026年の生産が前年から94%伸び、アジボット(AgiBot)とユニツリー(Unitree)の2社だけで中国出荷の8割近くを占めると見込む(TrendForce)。ユニツリーの主力機G1の公表価格は9万9,000元、日本円でおよそ200万円。高級車ではなく軽自動車の値段で、人型の機体が買える時代が、先に中国で訪れている。

対象の報道が触れるとおり、自動車勢も動く。シャオペン(XPeng)は、自律歩行を実機で示せる、数少ない自動車系の作り手だ。同社の機体Ironは歩き方が滑らかすぎて「中に人が入っている」と疑われ、2025年11月の発表会では、疑いを晴らすために壇上で脚部の外装を切り開き、機械の中身を見せる一幕まで演じた。チェリー、シャオミ、BYDも商用化を着実に進める。ここに、この産業の現在地が凝縮されている。マスクは「誰も本物を作れていない」と正しく指摘し、その本物の定義を握る。一方の中国勢は、定義をめぐる議論の間に、部品の供給網と量産と価格の壁を先に突き崩していく。ハーフマラソンで人間の記録を破った機体と、遠隔操作で走った29チームは、同じ大会の中に並んでいた。演出の時代の終わりは、どちらか一方の勝利ではなく、量を持つ者が自律を学び終えるか、自律を解いた者が量産を立ち上げるかの競争として訪れる。演出の幕が下りたあとの舞台に残るのは、データと部品を握った者である。