ロボット6台、4交代、完了タスクは1,730件
Agibotのヒューマノイドロボット「Genie G2」6台が、上海市徐匯区の営業中のコンビニエンスストアで24時間の試験に臨み、1,730件のタスクを完了した。ただし、職場評価に合格したのは4台だった。基準に届かなかった2台は、棚の点検や清掃に苦戦。うち清掃ロボット1台は夜勤中に指定ルートを外れ、店の外に出てしまった。
目次
試験は2026年11月2日午前10時に始まり、11月3日に終了した。Agibot（正式名称は智元創新（上海）科技有限公司）が主催し、ライブ配信はオンライン各プラットフォームで200万人以上が視聴した。ロボットは昼食時の混雑、夕方の来店客、夜間の業務を経て、翌朝の朝食サービスまで働いた。
華やかな演出の裏には、実用面での問いがあった。客や注文、周囲の障害物が変化するなか、ロボットは店内の相互に関連する業務を滞りなく進められるのか。コーヒーをうまく作れるかは評価項目の一つにすぎない。迅速に対応し、指定された持ち場を守り、問題が起きたときに立て直せるかも評価された。
Agibotの身体性知能研究センターの副センター長、任広輝氏は、状況の変化への適応、繊細な動作の迅速な実行、想定外の問題への対処では、ロボットは依然として熟練した店舗従業員に及ばないと認めた。今後の改善には、成功と失敗の記録を、より優れた運用ルールや動作スキルに反映させることが必要になる。
ロボットが実際にこなした業務
6台は、来店客への対応、商品の取り扱い、コーヒーの準備、温かい食品の提供、棚の点検、テーブルの清掃を分担した。合計のタスク数には、難易度も所要時間も異なる業務が含まれている。
- 来店客への挨拶や接客対応：683件。
- 商品の取り出しと受け渡し：369件。
- コーヒーの準備：147件。
- 食品の提供：126件。終了時の集計では朝食サービス、評価結果では温かい食品の提供と説明された。
- 棚の点検と補充：277件。
- テーブルの清掃：128件。
接客対応は、記録された1,730件のタスクの約39.5%を占めた。接客と商品取り扱いを合わせると1,052件で、約60.8%に上る。この数字からは、飲み物を作ったり食品を提供したりする目を引く作業だけでなく、人への対応や商品の移動が記録された活動の多くを占めていたことが分かる。
6台全体では、1時間当たり平均約72件のタスクを完了した。ただし、各業務で求められる作業は異なる。客への挨拶とコーヒーの準備では、工程も設備も所要時間も違う。評価では、稼働時間、顧客の反応、タスクの成功率、対応速度、問題からの復旧状況も考慮された。
合格した4台、不合格だった2台
接客担当の「アハオ」は、客に自ら進んで手助けしたことで、顧客サービスの評価が最も高かった。商品の取り出しと取り扱いを担当した「フオバオ」は注文に素早く応じ、需要の増加や注文のキャンセルがあっても作業を続けた。
コーヒー担当の「カーシャオ」は、安定した抽出工程が評価されて合格し、ホットアメリカーノも好評だった。温かい食品を担当し、レジ業務も割り当てられた「ディンジャン」は、着実な作業で求められる基準を満たした。
棚の点検と補充を担当した「ジュアンワン」は、店の業務ペースについていけなかった。点検や補充の取り組みが積極性に欠けると評価された。清掃担当の「ロンジエ」は夜間の業務中に指定ルートを外れて店の外に出たため、運用ルールの見直しが必要となった。
参加した6台のうち4台が合格し、合格率は約66.7%だった。Agibotは合格基準の数値や詳細な採点表、スタッフが介入した回数の全容を公表していない。そのため、公表結果はシステム全体の信頼性よりも、個々の役割の状況を詳しく示している。接客担当は顧客サービスで好成績を収めた一方、清掃担当には作業範囲をより厳密に管理する必要があった。
丸一日の試験で異なる負荷を検証
24時間の試験では、限られた店内で需要が移り変わる状況にロボットが置かれた。昼食時と朝食時には、客に素早くサービスすることが求められた。夕方には別の来店客の流れがあり、夜間は店が静かになるなかで、担当業務を維持できるかが試された。
試験は次の順で進められた。
- 2026年11月2日午前10時：Genie G2 6台が徐匯区のコンビニエンスストアで業務を開始。
- 11月2日、昼食時から夕方：注文、商品の取り扱い、食品の準備など、混雑する時間帯のサービスを評価。
- 11月2日夜から3日未明：夜間業務を継続。清掃ロボットが指定ルートを外れる。
- 11月3日、朝食時間帯と試験終了：最後のサービス時間帯を終えて24時間の評価が完了し、4台が合格と判定。
ロボットは、時間を厳密に決めた単一動作ではなく、4つのサービス時間帯を通して評価された。商品の受け渡しが遅れれば、別の注文にも影響することがある。ロボットが棚の前をふさげば、同僚のロボットが商品に手を伸ばせなくなる。業務を滞りなく進めるには、個々の器用さだけでなく連携も必要だった。
客や障害物も試験の一部に
招待された2人の参加者、Xiaoyang biubiu氏とXiaoxiao Nathan氏は、店舗スタッフが直面し得る問題を模した課題を持ち込んだ。ロボットに通常のコーラと砂糖不使用のコーラを見分けさせたり、棚のガムの並びを崩したり、人や箱で通路をふさいだりした。
コーラの課題では、音声での依頼を、目当ての商品を視覚で見分ける処理につなげる必要があった。ガムの課題では、棚に実際に何が置かれているかを確認し、商品を正しい場所に戻せるかを試した。障害物の課題では、人や物を前に停止し、別の経路を見つけられるかが問われた。
試験中、ロボットは視覚的な点検で置き場所が違う商品を特定し、正しい場所に戻した。棚の空きに応じて、人から新たな指示を受けずに補充を始めることもできた。清掃の実演では、表面の模様と、こぼれた液体や汚れを見分ける課題も含まれた。
こうした課題では、認識と動作を組み合わせる必要があった。まず商品や障害物、汚れた箇所を識別し、次に行動を選んで実行する。見間違えれば、誤った商品を届けたり、必要のない清掃をしたり、別のロボットの通行を妨げたりしかねない。
菓子の袋一つが難しい理由
任氏は、商品が多様で繊細な取り扱いが必要なうえ、客がロボットの間を歩き回り、複数のロボットが限られた空間を共有するため、コンビニエンスストアは難易度の高い環境だと説明した。作業場所が固定されたピッキングステーションとは異なり、店舗では客が商品を動かしたり、通路に入ったりするたびに状況が変わる。
フックに掛けられたスキットルズの袋は、その難しさを示す例だ。ロボットは商品を識別し、どこをつかむかを決め、袋の開口部がフックに引っ掛かったままにならないよう、適切な力で取り外さなければならない。位置とつかむ力の両方が重要になる。
柔らかいケーキの場合は、別の問題が生じる。力が弱すぎれば滑り落ち、強すぎればつぶしてしまう。曲がったり形が変わったりする包装や食品は、縁がはっきりしていて形状が変わらない物よりも、安定して扱うことが難しい。
任氏によると、作業エリアが明確に定められ、物が標準化され、結果を確認しやすい業務は比較的容易だという。柔軟に形を変える物、接触面が複雑な物、長い動作の連続は、依然として技術的な課題だ。店舗での実用化に向けては、整然とした単一の業務を安定してこなせても、変化するさまざまな商品を熟練従業員と同じペースで扱うには、さらなる改善が必要となる。
6種類の業務をつなぐソフトウェア
Agibotは6台のロボットに、複数の連携システムを搭載した。身体性基盤モデル「GO-3Preview」は、さまざまな物理的タスクを実行する能力を担う。身体性知能とは、周囲を観察し、その環境のなかで行動する物理的な機械を通じて働くAIを指す。
同社の追加学習システム「GenieEvolver」は、実機での学習をシミュレーションや世界モデルと組み合わせた。世界モデルとは、行動に対して物体や周囲がどう反応するかを予測するためのコンピューター上の表現だ。これらの学習手法は、動作の実行能力を高めることを目的としていた。
「GenieMaster」はロボット間のタスクの割り振りを管理し、実行結果を学習プロセスに戻す役割を担った。同システムの「身体性実行プロトコル（EEP）」が、判断、物理的な動作、その結果に関するフィードバックをつないだ。
店舗で言えば、管理ソフトウェアは、どのロボットがどの業務を実行できるか、また直面する状況を把握する必要がある。次に動作システムが、その時点の観察結果に基づいて作業を実行する。フィードバックを受けた管理システムは、動作の修正が必要な場合も含め、次に何をすべきか判断できる。
共有スペースのため、こうした連携が欠かせなかった。補充ロボットが注文処理に必要な場所を占有した場合、システムは場所の利用を調整するか、作業の順序を変更する必要がある。Agibotは、ロボット同士の位置の競合や注文状況の更新遅れを、タスク管理ルールの改善で対処できる問題の例に挙げた。
失敗からの学習には異なる時間軸
Agibotは、実世界での成功や失敗の記録を活用するプロセスを「PhysicalRSI」と呼んでいる。実環境での再帰的自己改善を意味する。基本的な考え方は、実際のタスクで起きたことを検証して変更を加え、その後の実績をさらなる改善に生かすことだ。
GenieMasterは、成功・失敗のタスク手順を収集し、有用な経験を長期記憶に保存するとともに、効果的な調整を学習データに変えると説明された。記憶した運用ルールの再利用と、新たな動作スキルの学習では、必要となる作業量が異なる。
任氏によると、作業手順やスケジュールに関する教訓は、稼働当日に検証し、翌日には反映できる。一方、動作方策の更新には、データ収集、品質確認、学習、検証が必要だ。動作方策とは、ロボットが観察した情報に基づいて物理的な動作を選ぶシステムを指す。
任氏によると、ライブ配信から得られた有用なデータが、その後の動作方策の更新に反映されるまでには1～2週間かかる見通しだ。つまり試験後の対応には、運用ルールを迅速に変更する段階と、動作を制御するモデルをより時間をかけて変更する段階の2つがある。
清掃ロボットがルートを外れた問題と、補充ロボットの反応が遅かった問題も、異なる種類の改善が必要であることを示した。前者には指定された作業エリア内にとどまるための対策が、後者には棚の維持に向けたタイミングと積極性の改善が必要だ。Agibotは、2台の次回公開評価の日程を明らかにしていない。
商業利用に必要な条件とは
Agibotは今回の店舗試験を、新たに公開した統合型身体性AI機能を具体的な業務に適用する初の試みと位置付けた。同社は10月22日に技術発表シリーズ「AI WAVE」を開始し、データ、シミュレーション、モデル、ロボットハードウェア、オペレーティングシステムを紹介した後、これらを店舗で稼働させた。
商業展開を目指す取り組みは、2026年上半期の売上高が約20億元に迫り、汎用AIロボットの累計生産台数が2万台に達したとの報告と並行して進められた。今回のコンビニエンスストアでの評価では、日常的なサービスのなかでロボットが何を提供できるかに焦点が当てられた。
Agibotの共同創業者兼共同社長で、身体性事業部門の責任者を務める姚茂青氏は、ロボットの実務利用には、測定可能で再現性があり、持続可能な工学基準を満たす必要があると述べた。同氏が挙げた指標には、成功率、タスク完了に必要な時間、平均故障間隔（MTBF）が含まれる。
MTBFは、故障と故障の間の平均稼働時間を示す。店舗責任者にとっては、サービスを中断する問題が起きるまで、機械がどのくらい働き続けられるかという実務上の懸念に関わる指標だ。タスクにかかる時間も同様に重要となる。朝食を待つ客にとって、ロボットが最終的に正しく準備できるとしても、提供が遅れてよいわけではない。
Agibotのチームは、追跡したい成果として4項目を挙げた。再試行や人による引き継ぎに費やす時間を減らしながら、基準を満たす成果を増やすこと。商品やレイアウト、店舗が変わったときのデータ収集や調整を減らすこと。既存のスキルを保ちながら、独立した評価でも維持される改善を実現すること。異なるシフトや客の流れで経験を積むにつれて、運用コストを下げることだ。
上海での試験では、有用なサービスと未解決の課題の両方が示された。4台は担当業務の基準を満たし、2台は役割への継続的な注意や動作の制御に弱点を露呈した。次の技術的課題は、設定した実績指標を使ってこうした教訓を生かし、より長い稼働時間や店舗ごとの変化に対応することだ。
要点
- AgibotのGenie G2 6台が2026年11月3日、上海市徐匯区のコンビニエンスストアで24時間の試験を完了した。
- ロボットは合計1,730件のタスクを記録。内訳には接客対応683件、商品取り扱い369件、コーヒーの準備147件が含まれる。
- 合格は4台。棚の点検ロボットは店の業務ペースに遅れ、清掃ロボットは夜間に指定ルートを外れた。
- 試験ではコーラの種類の識別、乱れた棚の整理、人や箱を避けた移動などを実施した。
- Agibotによると、業務フローの変更は翌日から適用可能だが、試験データを使った動作モデルの更新には1～2週間かかる見通し。
- 同社が掲げる商業利用の目標には、成功率の向上、中断の削減、新店舗への導入の容易化、運用コストの低減が含まれる。
