2026年11月4日、中国のEV・Physical AI大手XPENGが、北京大学や香港大学などの研究機関と共同開発したオープンソースの視覚認識基盤モデル「GroundingPI」を発表した。
視覚認識に特化した4Bモデル ベンチマークでGPT-6 Astraを凌駕
XPENGおよび提携研究機関は、Physical AI向けオープンソース視覚認識基盤モデル「GroundingPI」を公開した。約40億（4B）パラメータを備える本モデルは、現実世界における物体の正確な識別と空間位置の把握という基礎能力に特化して開発された。評価実験では、11分野34項目におよぶ知覚ベンチマークで平均スコア73.68を記録し、比較対象となったGPT-6 Astraの71.54を上回る成果を示している。
従来汎用モデルが得意とする言語理解や推論に対し、現実世界のロボット操作や自動運転ではより精緻な視覚認識が求められる。GroundingPIは単なる物体認識にとどまらず、点やバウンディングボックスといった具体的な空間座標を用いて、目的の物体やそのパーツの位置関係を緻密に追跡・表現する仕組みを持つ。また、モデルの重みや研究コードも全公開された。
シミュレーション環境での評価実験では、下流タスクとなるロボット操作や自動運転制御への応用可能性も示された。RoboCasa-GR1での実験において、GroundingPIを視覚バックボーンとして組み込んだロボットは、従来モデルが75%のデモデータを必要とした作業をわずか50%のデータ量で成功させた。さらに、未知の環境条件下での操作適応テスト（RoboTwin 2.0）や、自動運転データセット「nuScenes」における軌道予測テストでも高い水準の精度を達成している。
開発効率向上と応用拡大の兆し 実環境への適用には課題も
今回のGroundingPIの成果は、Physical AI領域の技術開発に対して多様な影響をもたらすと考えられている。最大の価値は、行動データ収集コストの大幅な削減にあると見なされており、ロボット学習において障壁となっていた大量のデータ準備が不要になれば、開発現場の効率化と新規タスク実装の高速化が一気に加速する可能性がある。また、単一の巨大汎用モデルに依存せず、軽量かつ高度な視覚特化型モデルを組み合わせてシステムを構築する設計思想の有効性が実証された点も、今後の開発において大きな意味を持つとみられる。
一方で、現状の成果はシミュレーションおよびオフライン環境での評価にとどまる点には注意が必要である。実際の産業現場や路上では、予期せぬ光の反射や遮蔽物、予期せぬノイズが頻繁に発生するため、実社会への商用導入に向けた耐久性向上やリアルタイム処理能力の確保といった課題が浮上する可能性が指摘されている。
今後は、本モデルのオープンソース化をきっかけに学術界や産業界でのオープンな検証が進むと期待される。大容量モデルによる推論と特化型モデルによる高精度視覚認識が融合することで、humanoidロボットや次世代EVへの高度な自律機能の搭載に向けた動きがより現実味を帯びていくと予想される。
関連記事：
