ロボットの『振り返り』は、動作が終わってからでは遅い──Zettaが基礎方策を凍結したまま推論速度11.1倍を出した閉ループ設計

3行まとめ

• Zetta（清華大学AIR研究所・Z-Trans AI）は、ロボットの基礎方策を凍結したままランタイム批評家と復旧スキルだけを進化させる閉ループハーネスで、進化ラウンドを重ねる中でLIBERO-Proの成功率を34.5%→90.8%、RoboCasaを73.6%→93.6%へ引き上げたと論文本文は報告している。
• 「11.1倍の推論高速化」は無条件の数字ではなく、先行研究HarnessVLA（arXiv:2607.08448、論文中では「RPent」と表記）との比較で、推論レイテンシが91%減ったという計算にもとづく。
• コード（GitHub、Star587）とプロジェクトページは実在をcurlで確認したが、論文本文で報告されている「Wine Bottle in Bowl: 15%→95%」のような個別タスクの急上昇（Aha Moment）を手元で再現したわけではない。

コーディングエージェントの世界で「ハーネス（実行を取り巻く仕組み）」の作り込みが競われているのと同じように、ロボットのような身体化エージェントにも「ハーネス」という発想が持ち込まれつつある。2026年8月17日にarXivで公開された論文「Zetta」は、既存のロボットハーネスが抱える構造的な限界——動作中にリアルタイムで振り返れない「開ループ」であること——を指摘し、その解消を試みている。

「振り返りはエピソードが終わってから」では遅すぎる

論文はまず、既存のエージェント型アプローチの限界をこう説明する。

"Yet the agentic path has not realized closed-loop learning in physical execution: existing harnesses remain largely open-loop, following fixed skills during rollout and reflecting only after an episode completes. Such post-hoc reflection cannot govern execution as it unfolds, because physical interaction requires decisions to track rapidly changing robot-environment states at a frequency beyond today's large agentic models."

（だが、エージェント的なアプローチは、物理的な実行における閉ループ学習を実現できていない。既存のハーネスの多くは依然として開ループのままで、ロールアウト中は固定されたスキルに従い、エピソードが完了した後にのみ振り返る。こうした事後的な振り返りは、実行が展開されている最中の制御には使えない。なぜなら、物理的なインタラクションは、今日の大規模エージェントモデルが対応できる頻度を超える速さで変化するロボットと環境の状態を、決定に反映させ続けることを要求するからだ)

つまり、LLMエージェントが「タスクを実行し、失敗したら次回に活かす」という、比較的ゆっくりしたサイクルで振り返りを行えるのに対し、ロボットの物理的な動作は、その振り返りが間に合わないほど速いペースで状況が変わり続ける、という違いを指摘している。

基礎方策は凍結したまま、批評家と復旧スキルだけを進化させる

Zettaが取るアプローチは、モデル本体（基礎方策）には手を加えないという設計だ。

"We present Zetta, a closed-loop embodied harness that evolves code-based runtime critics and recovery skills online while keeping the base policy frozen. Through three timescale-separated loops, Zetta provides action-frequency governance, rollout-level critic-recovery proposal, and validation-gated skill updates."

（Zettaを紹介する。これは、基礎となる方策（ポリシー）を凍結したまま、コードベースのランタイム批評家と復旧スキルをオンラインで進化させる、閉ループの身体化ハーネスだ。3つの時間スケールに分離されたループを通じて、Zettaはアクション頻度のガバナンス、ロールアウトレベルでの批評家・復旧の提案、検証によってゲートされたスキルの更新を提供する）

「3つの時間スケールに分離されたループ」という設計は、ロボットの動作それ自体（最も速い頻度）、ロールアウト単位での批評（中程度の頻度）、スキル自体の更新（最も遅い頻度）という、異なる時間軸の判断を分けて扱う、という発想だと考えられる。

Z-Infraというインフラと合わせて、成功率90.8%・93.6%

論文が示す実験結果は次の通りだ。

"Together with Z-Infra, a rollout infrastructure decoupling agent logic from heterogeneous execution resources, Zetta achieves state-of-the-art success on LIBERO-Pro and RoboCasa under our current rollout budget, reaching 90.8% and 93.6%, with an 11.1x inference speedup; success continues to scale with self-exploration experience; learned skills transfer zero-shot, and clear robotic "Aha Moments" emerge."

（エージェントのロジックを、異種の実行リソースから切り離すロールアウトインフラ「Z-Infra」と組み合わせることで、Zettaは現行の実行予算の下、LIBERO-ProとRoboCasaにおいて最高水準の成功率90.8%・93.6%を達成し、推論速度は11.1倍高速化した。成功率は自己探索の経験を積むほど向上し続け、学習されたスキルはゼロショットで転移し、明確なロボットの「Aha Moments（気づきの瞬間）」が出現する）

「11.1倍の推論高速化」という数字は、単に精度が上がっただけでなく、実行効率そのものが大きく改善したことを示している。論文PDF本文を確認すると、この11.1倍は「RPent」という先行手法と比較した数字で、Zettaの推論レイテンシがRPent比で91%減少した（レイテンシが1/11.1になった）という計算だと分かった。「RPent」は文献リストの[5]番、すなわちarXiv:2607.08448「HarnessVLA: Steering frozen VLAs into reliable manipulation primitives via memory-guided agents」（2026年）を指しており、Zettaはこの既存ハーネスを比較対象のベースラインとして扱っている。

論文が定義する「Aha Moment」も、本文（4.2節）を読むと具体的な基準が書かれていた。「進化の初期ラウンドでは成功率が低いままだが、エージェントが決定的な批評・復旧メカニズムを発見した瞬間に急上昇する」現象と定義されており、個別タスクの実測例として次の数字が挙げられている。

出典: arXiv:2608.16590 本文4.2節・Highlights（PDF pdftotext抽出）

またロールアウトインフラ「Z-Infra」単体の効果として、有効ロールアウトのスループットが1.7から35.1エピソード/分へと20.6倍に向上したという数字も本文にあった。モデル分割（VLMとAction Expertを別プロセス化しCUDA IPCで連携）によって推論レイテンシが53%減り、200ms SLO下でのgoodputが2.4倍になったという実装レベルの数字も確認できた。実験は8基のNVIDIA GeForce RTX 4090 GPUクラスタで行われている。

モデルの重みを変えず、周りの仕組みで賢くする発想

Zettaの「基礎方策は凍結したまま、周辺の批評家・復旧スキルを進化させる」という設計は、本サイトの別記事で取り上げたStateM（Terminal-Bench向け、モデルの重みを変えずハーネス側だけを作り込む）と、根本的な発想を共有している。コーディングエージェントの世界でもロボティクスの世界でも、「モデル自体を再学習する」より「モデルを取り巻く実行の仕組みを賢くする」ことで性能を引き出す、という方向性が同時多発的に追求されていることがうかがえる。

判断の頻度自体が制約になる、ソフトウェアとの質的な違い

筆者はロボティクス分野の実装経験はないが、「物理的な動作は、LLMの推論よりずっと速いペースで状況判断を必要とする」という論文の指摘は、AIエージェントを「会話」や「コーディング」という比較的ゆっくりしたドメインで捉えがちな自分の理解に、新しい軸を加えてくれた。ロボットのような身体化エージェントでは、判断の頻度そのものが技術的な制約になる、という点は、ソフトウェアのエージェントとは質的に異なる難しさだと感じる。

コードとプロジェクトページの実在は確認、実機・シミュレータは動かしていない

この記事は当サイトが論文PDF本文（pdftotextでテキスト抽出）とGitHub・プロジェクトページを読んで書いている。GitHub（air-embodied-brain/Zetta-Embodiment、Star数587、2026年8月18日作成）とプロジェクトページ（air-embodied-brain.github.io/zetta）が実在することはHTTPリクエストで確認したが、コードをクローンして自分の環境で動かしたわけではなく、LIBERO-ProやRoboCasaのシミュレータで実際にタスクを実行したわけでもない。3つの時間スケールに分離されたループそれぞれの具体的な頻度（何ミリ秒・何秒単位で動くのか）は、本文中の「CPU計算はマイクロ秒スケール」という記述以上の精密な数値は確認できなかった。LIBERO-Pro・RoboCasaという2つのベンチマークの内部構成（タスク数や難易度分布）についても、この記事の範囲では深く踏み込んでいない。Zenn記事検索（2026年8月27日実施）では「Zetta」に該当する日本語記事は見つからなかった。

関連記事

• AIロボット 最新動向──Figure/Tesla Optimus/Boston Dynamics【2026年】
• AIエージェントとは──指示に答えるAIと、仕事を進めるAIの違いをわかりやすく整理する
• ワールドモデル（世界モデル）とは──「次の単語」ではなく「世界の次の状態」を予測するAI