クラス代表シリーズ - ai 主要イベントの最速かつ最も完全な解釈 この記事は、openai が出資する人型ロボット、1x テクノロジーズがリリースした最新の neo ロボットに焦点を当て、これを手がかりとして特別な技術的パスと位置付けの考慮事項を明らかにします。 1xロボットに採用されました。

北方 ai 未来ガイド hao boyang 氏と zhou xiaoyan 氏

編集者 鄭科軍

世界ロボット会議を訪れた後、一部の投資家はテンセント・テクノロジーに対し、人型ロボットのトラックでは次のように語った。、しかし見てくださいopenaiが出資する人型ロボット企業1xが制作neoロボットの後、彼らは再び自信を持ち始めました。

ロボットを人型にすることに常に反対してきた海音資本の創設者である王玉泉氏も、「neoの動きは非常に自然で協調的であり、人々のロボットに対する固定観念を完全に取り除いている」と驚いたと語った。初めてこのロボットを見たとき、私の最初の反応は、服の下に本物の人間がいるということでした。」

openaiが出資したロボットが家事をするようになり、あまりに本物そっくりで人間の抜け殻かと疑われるほどだった

その滑らかさにも驚かされますが、さらに知りたいのは、なぜファミリーシーンでは「ホイール」モードの世界で「バイポッド」モードを選択するのかということです。

上記のレポートでは、産業現場で使用されるロボットの 80% 以上が下半身の設計に「二足歩行」モードを採用すると述べました。家庭環境では、タスクは標準化されておらず、タスクはより些細なものであり、緊急事態がより頻繁に発生するため、家庭用ロボットには安全で静かであることが求められます。高コストで制御アルゴリズムが未熟な「バイポッド」は歩行や立位が不安定で騒音も大きいのに比べ、車輪付きタイプは静かで平坦な道での安定性が高い。

neoは、家庭用では珍しい「二足歩行」モードのロボットです。

展示ビデオでは、neoは非常に「柔らかい」です。背中にぶら下がっている紐がなければ、キッチンでゴブレットを詰めている本物の人間のように見えます。

指示がなくても、自らの「観察」だけを頼りに、人間が家事を行う次のステップを予測することができる。

neo は非常に静かに動きますが、表示ビデオの音量を上げると、バックパックを持ち上げるために neo が身をかがめるときに発する微妙なブンブン音が聞こえます。

多くの人型ロボットが「背が高く」見えるのとは異なり、neo は普段着で家に来て家事を手伝ってくれる隣人のような見た目です。

neoの身長は1.65メートル、全身の自由度は55キロで、重量は同身長の人型ロボットに比べて1/3～1/2ほど軽いという。 to medium のレポートによると、neo の耐荷重は 20 kg で、グリップは 70 kg (154 ポンド) を持ち上げるのに十分な強度があります。

（写真：国内外の人型ロボットの「大人の身長」の重量の比較）

パラメータから判断すると、neoはサイズは小さいですが、その強度は業界で主流の人型ロボットに劣りません。これらの二足歩行ヒューマノイド ロボットの中で、neo だけが家庭用アプリケーション シナリオに明確に位置付けられており、他の二足歩行ロボットは基本的に産業シナリオに対応しています。

では、neoはどうすれば自宅で「軽快に」歩くことができるのでしょうか？人間の行動を観察するだけでどうやって予測できるのでしょうか?人型ロボットの一般化問題を克服したということでしょうか。

車輪と脚のデザインの違いはどこから来るのでしょうか？

二足歩行ヒューマノイド ロボットは産業シナリオには適していますが、家庭用モードに切り替えると多くの課題に直面します。

課題の核心は、「バイポッド」の機械的構造が複雑であり、ロボットの動作を維持するためにより多くの関節を動員する必要があり、家庭で使用する場合には必然的により高い電力が必要になるということです。熱放散やノイズなど、大きな電力損失によって引き起こされる一連の問題を解決する必要があります。

対照的に、産業シナリオでは、ロボットは通常、倉庫や閉鎖された工場で作業します。これらの場所には、熱放散を支援するための冷凍装置や冷却装置が備え付けられていることが多いため、これらの環境では、二足歩行ロボットは高温の影響をあまり心配する必要はありません。 。

「労働者」としての外見への要求は高くありません。半裸（一部が露出している）でいることもできます。また、「衣服」がないことで熱を逃がすこともできます。ボストンダイナミクスの油圧式アトラスなど、「激しく」前後に走れます。

(写真: boston power hydraulic atlas)

また、産業環境自体は様々な機械音に満ちており、二足歩行ロボットの関節の動く音や歩行時の足音などはあまり目立ちません。

しかし、家庭シーンに切り替わると、産業シーンでは明らかでなかったこれらの問題はすべてバグになります。ロボットの放熱性能が低いため火災が発生する可能性があり、騒音が多すぎると神経衰弱を引き起こす可能性があり、露出した部品は特に子供がいる家庭向けです。安全上の大きなリスクがあります。

ホイール付きタイプなので消費電力が低く、放熱や騒音などのトラブルも当然軽減されます。

これは、「二足歩行」ロボットをホーム シーンに移動させるには、オントロジーから最適化および変換する必要があることを意味します。

1x robot ai の副社長である eric jiang 氏は、neo の生産にソリューションを提供し、ロボットのコアコンポーネントである「モーター」を最適化したと最近のインタビューで述べました。多くの人型ロボットの「小さなモーター、大きなギア比、高い運動エネルギー」という考え方に対し、neoのキーワードはモーターの「高トルク、小さなギア比、低い運動エネルギー」です。

では、エリック・ジャンの言ったことをどう理解すればよいでしょうか?まず、人型ロボットの「モーター」と「ギア比」の関係を簡単に理解します。

人間と同様に、人型ロボットの動作は実際には直線動作と回転動作の 2 種類のみです。たとえば、1x ディスプレイのビデオでは、neo が人間に「手を振る」数秒間があります。このアクションの解剖学的コンポーネントは、最初に右手を伸ばし (直線運動)、次に手を振る (回転運動) ことです。 ）。

分解してみると、人型ロボットの動作システム全体がこの 2 つの動作の組み合わせであることがわかります。

このうち、人型ロボットは「モータ＋ネジ」の組み合わせで直線運動を実現し、「モータ＋減速機」で回転運動を実現します。ここでは、ロボットの回転運動の実現に焦点を当てます。完成した「関節」 回転、ホイールタイプに比べて、「バイポッド」に関わる主な動きは関節にも反映されます。

「モーター＋減速機」の合成速度である回転速度に影響を与えるのが「減速比」です。

簡単に言えば、「ギア比」とはモーターの回転速度を指します。出力速度そしてコンポーネントが実際に実行される速度間の比率。例えば、人型ロボットの脚の移動速度をｖとした場合、ギア比が高いとモータが高速で動作することを意味し、ギア比が低いとモータが低速で動作することを意味する。

多くの人型ロボットは高いギア比を持っています(例:10:1)、ギアによりモーターの速度が減速された後、ロボットの関節の動作速度が遅くなります。この構成は、高い強度が要求されるが、高速動作は要求されない場合により適しています。

低いギア比を使用する場合(例: 3:1)、モーター速度の減速度は小さくなり、ロボットの関節はより速く動きます。素早い対応と柔軟な運用が求められる状況に適した構成です。

neoは、ギア比を低く設定し、モーターの出力速度を下げることで、コアジョイントの消費電力を削減できます。

eric jiang 氏は、モーターのギア比が低いということは、モーターの動作速度が犠牲になることを意味しており、neo は、それによって生じる可能性のあるパワー不足を補うために「高トルク」を使用していると、技術文書「モーター物理学」の中で述べています。同氏はまた、「ほとんどのモーターは大きなトルクを発揮できるほど強力ではないため、機械エンジニアは高速モーターを使用し、それにギアを追加して、速度とトルクを引き換えにします。」と述べました。

(写真: eric jiang が発行した技術文書「motor physics」のスクリーンショット。機械エンジニアがモー​​ターの速度とトルクをどのように交換するかを説明しています)

これは、多くの二足歩行ロボットが産業シナリオでのみ使用できる理由を説明しています。「ほとんどの人型ロボット企業は、ロボットを家庭ではなく工場に配備することを選択しています。これは、ロボットが剛性の高い、高度にギアを備えた駆動システムに依存しているためです。これらのシステムは、人の周囲では安全ではなく、檻の中に入れる必要があります。」

この観点から、1x チームは二足歩行ロボットが家庭環境で安全に動作するためのハードウェア パスを発見しました。これにより、neo は、放熱性能が低くて衣服が焼ける心配をせずに、人間の服を着ることができます。

実際、1x の前世代のロボットである eve は、neo 世代になってから二足歩行になりました。その本質的な理由は、やはりシーン適応の問題です。

ホーム シーンは非常に複雑で、ロボットが物を拾ったり、カウンターから物を拾ったりするためにテーブルの下に手を伸ばす必要があります。ベースがスペースを取るため、車輪付きのシャーシを備えたロボットはいくつかの隅に到達するためにアームを「伸ばす」必要があります。家庭のエリック・ジャン氏は、「この場合、ロボットは、たとえばキャビネットの隅に何かが落ちた場合に、その重心の変化を利用して物を拾うべきである」と考えています。ロボットは人間と同じように片足を上げ、片手をテーブルに置き、重心を使って物体に到達できる必要があります。

eric jiang 氏もインタビューで例を挙げました。なぜ多くの本棚は下部に一定の隙間を残しているのでしょうか? 「人間が本棚に体を押し付けて本を手に取ることができるように、足の指を入れやすくするためです」。

したがって、2 つの足によりロボットの移動フットプリントを減らすことができますが、ホイール ベースは家庭内の些細なシーンに適応できません。

これは、1x が車輪付き姿勢から足付き姿勢に移行するロジックです。おそらく、家族環境では、車輪付き姿勢は足付き姿勢と同じように「走る」ことができません。さらに、neo には一般化とデータ収集の点でいくつかの「ユニークな」公式もあります。

ロボットは一般化能力を備えており、すでに限界点に達していますか?

家庭で使えるロボットとして、安全性はもちろん、真の多面的なヘルパーとなることが最も重要です。そのためには、ロボットが「賢く」、所有者のニーズを理解でき、自律的に動作でき、十分に一般化できる必要があります。

openaiが投資したすべてのロボット企業を見ると、その製品の共通の特徴は非常に「賢い」、つまり大型モデルとロボットをうまく組み合わせることができるということです。

たとえば、figure 01 の驚くべきパフォーマンスは主に、指示を理解し、判断を下すための項目を識別する能力によってもたらされます。これはまさに、マルチモーダルな大型モデルとロボットの組み合わせの結果です。

別の投資会社である physical intelligence は、ウェブページを持っているだけで、今のところ製品はありません。しかしインタビューで同社は、自社のビジョンは「倉庫や工場で反復的な作業を実行するロボットに電力を供給するのではなく、幅広いシナリオに適用できる汎用人工知能モデルを構築する」ことだと述べた。

機械部分に関しては、ハードウェアは自社で製造せず、複数種類のロボットを購入してソフトウェアを訓練するとまで発表した。

（写真：身体的知性）

これはロボット会社というよりも、大規模な模型会社です。

1x のロボットも例外ではありません。

1x の ai 担当副社長である eric jang は、2022 年に 1x に入社する前に、google deepmind の saycan プロジェクトのチームを率いていたことがあります。このプロジェクトは、言語モデルとロボットを統合する身体化知能の最初の試みです。

今年 2 月、1x は eve が完全なニューラル ネットワーク ミッションを実行するビデオを公開し、小さなヒットとなりました。 4 月 24 日に開催される grasp sfi 共有ミーティングで、このモデルの全体的な動作ロジックを確認することができます。

パイプライン（ワークフロー形式）にも分かれます。まず、dit (拡散トランスフォーマー) モデルを自然言語コマンドと組み合わせて使用​​し、拡散を使用して将来の位置の予測画像を生成します。次に、この予測、現在の画像、およびターゲットを新しい transformer モデルに入力して、その後に必要な機械的アクティビティを予測します。

ビデオを見ると、eve はアイテムを分類したり、運んだり、さらには充電することもできることがわかります (eve と呼ばれるのも不思議ではありません)。これらのタスクの中には、両手で保持できるものもあります。しかし、このビデオを注意深く見ると、当時の eve の能力はアイテムの識別、掴み、配置に限定されていたことがわかります。その後、これらの基本的な能力は、梱包、移動、分類などの特定のタスクに統合されました。

今年の 8 月か 9 月までには、大規模モデル回路にアクセスできる基本的にすべてのロボット企業がこれらの機能を実現できるようになるでしょう。

たとえば、figure 01 は、大型モデルを使用してコーヒーを運転する自社ロボットのビデオを 2 月末に公開しました。このロボットはエラーを自力で修正することもできます。

(写真: デモンストレーションビデオでコーヒーを淹れる図 01)

しかしその後、figureと1xはモデル的には異なる道を歩むことになる。

3 月、figure は gpt-4o を直接使用することを選択し、ロボットに強力な会話機能と論理機能を与えました。彼らはパイプライン (ワークフロー) を使用して 3 つのモデルを統合しました。

まず、gpt-4o ラージ モデルは、言語を認識し、アクションを計画するために使用されます。次に、独自のニューラル ポリシー層、つまり独自のトレーニング済みエンドツーエンド タスク モデルがアクションを実行します。同時に、独自の車体制御モデルを使用してロボットのバランスを維持します。

（写真：型式構成の図公式説明）

インタラクションがロボットの最大のハイライトとなった後、図 02 では 3 倍のコンピューティング能力によってもたらされる脳レベルの向上も強調しました。モデルに関しては、openai モデルのより適切な統合が開発の焦点となっています。

しかし、1x が言語ディレクティブのアップデートをリリースしたのは 5 月 31 日でした。デモビデオでは、ロボットが最終的にタスクを理解し、音声通信を通じて対応する操作を実行できるようになりました。しかし、これまでのところ、1x はまだ大規模な高級言語モデルを使用していません。公式 web サイトの表示ページにあるドキュメントの中で、彼らは次のように述べています。「視覚コマンドと自然言語コマンドのペアのデータセットを構築した後、次のステップは、gpt-4o、vila、gemini vision などの視覚言語モデルを使用して、高度な言語を自動的に予測することです。 「これにより、ロボットには複雑なタスクを計画する能力が欠けてしまいます。

スマートなパフォーマンスという点では、1x は大きく後れを取っているようです。

しかしそれは、彼らの努力の方向性が違うからかもしれない。対話機能や計画機能と比較して、1x はタスクの一般化を重視します。

1xは3月の公式ブログで、構築しているモデルについて説明した。彼らは、家の掃除や片付けから物を拾う行為、人間や他のロボットとの社会的相互作用に至るまで、幅広い物理的行動を理解するために「基本モデル」をトレーニングしようとしている。次に、より多くのスキル トレーニング データを蓄積することで、より具体的なスキルのセットをモデルに追加しました (たとえば、一般的なドア操作用の 1 つのモデルと倉庫作業用の別のモデル)。つまり、マルチタスクの汎用化をサポートするロボットの「基本モデル」を構築しようとしているのだ。

これはタスク機能の一般化であり、単一のロボットが単一のモデルに依存して複数のタスクに従事できるようになります。これは実際には特別なことではありません。ロボット ソフトウェアを製造しているほとんどすべての企業は、複数の単一タスクのトレーニングを行っています。しかし、さまざまなロボットのデモンストレーションビデオやカンファレンスでの展示では、部屋全体を掃除してから料理をするなど、複雑なタスクを同時に実行し続けるロボットをほとんど見たことがありません。

これは、現時点ではタスク間で一般化できるモデルがないためです。

エリック・ジャン氏は「ザ・ロボット・リポート」のインタビューで、「私たちは以前、ロボットが単純な物体を拾い上げて操作できることを実証したが、真に実用的な家庭用ロボットを作るには、複数のタスクを連続してスムーズに実行できなければならない」と語った。 「 しかし、これは、「脳」のような高レベルのモデルを通じて、複雑なタスクを複数のタスクに分割するだけでは実現できません。タスクによって開始位置や条件が異なるため。

ロボットが 2 番目のタスクを実行する必要がある場合は、まず最初のタスクの欠点を補わなければなりません。たとえば、最初のロボットがテーブルの隣の正しい位置に到達できなかった場合、2 番目のロボットは物体をつかむために腕を伸ばす必要があり、3 番目のタスクではさらに補正が必要になります。間違いは蓄積されがちです。

1x の解決策は、モデルを分割することです。現在、そのモデルは 2 つの部分で構成されています。1 つはすべてのタスクと「タスク チェーン」を理解する基本モデルで、もう 1 つは特定のタスクをよりよく理解する多くの小さなモデルです。一種のパイプライン（ワークフロー）にもなっています。

彼らは、従業員が音声を通じてロボットをガイドして、複数の小さなモデルの組み合わせた動作を完了し、プロセス中のエラーに介入できるようにする自然言語インターフェイスを開発しました。これにより、モデルを直列に接続して長期的な「タスク チェーン」にすることができます。これらの介入とマルチタスク全体に関連するデータは、大規模な「基本モデル」をトレーニングするために使用されます。最終的には、蓄積されたタスク データと「タスク チェーン」データを通じて「基本モデル」を調整およびトレーニングし、この基本モデルが単一タスクの実行を解決するだけでなく、タスク間の接続問題も解決できるようにします。

（写真：1xが開発した自然言語制御インターフェース）

したがって、相互作用や計画性を重視するフィギュアが選んだ道とは異なります。 1x が現在解決しようとしている中心的な問題は、タスク間の汎化能力です。そしてこれが、現在のロボットが真に普遍的なものになるための核心的な問題点である可能性があります。

では、1x のタスク間の汎化はどのように進んでいるでしょうか?

最新のドキュメンタリーでは、スタッフが音声を使ってロボットに、ドアを開け、トイレに入り、便座を閉め、一歩ずつ歩き出すというタスクを完了するよう指示する様子が見られる。この課題は一度に与えられるのではなく、個別に与えられ、つながっていきます。

これはあまり「自動」に見えませんが、実際には、1x ロボットが複数のコマンド タスク間で継続的に動作する予備的な能力をすでに備えていることを証明しています。 「タスクチェーン」の基本的な実行能力と、gpt-4のような最先端モデルの計画能力を備えていれば、複雑で連続的なタスクを自律的に完了することが間もなく可能になります。

エリック・チャンもそう思っているようだ。今年 3 月の「すべての道はロボティクスに通じる」というタイトルのブログで、彼は次のように書いています。「多くの人工知能研究者は、汎用ロボットの実現にはまだ数十年かかると信じています。しかし、chatgpt の誕生は一夜にして起こったようだったということを覚えておいてください。ロボット工学の分野でもそのような変化が起こると考えています。」

彼の目には、汎用化が可能な汎用ロボットが目の前にあるように見える。

しかし、業界の悲観論は正当化される。彼らの主な懸念はアルゴリズムではなく、身体化された知能の現在のデータが豊富ではなく、収集するのも非常に難しく、標準が欠如しているという事実です。

しかし、スケーリング則の一般化を達成するには大量のデータが鍵となります。単純な大規模言語モデルと比較して、身体化されたインテリジェンスには画像やアクションが含まれるため、普遍的であるためには大量のデータが必要になる可能性があります。そして、このデータの収集には多くの時間がかかります。

「愚かな」方法を使用して「賢い」データを収集する

エリック・チャンはかつてドキュメンタリーの中で、業界全体の懸念に反する発言をしました。「多くの人がデータ収集のボトルネックを過大評価しています。実際には、今後 12 か月の間に、データの重要性はますます低下する可能性があります。」

データに対する彼の自信は、過去の実践から来ています。 1x のデータ収集ロジックは、他のロボット企業とは常に少し異なります。

他の企業は通常、利用可能なあらゆる手段を使用して、できるだけ多くのデータを収集します。その方法には、unreal 5 のような模擬物理環境に模擬ロボットを配置して大量のデータを収集することや、ビデオ データを使用して人間が物体を操作するビデオを傍受して情報を抽出することが含まれます。

しかし、実は現在最も一般的に使われているのは、遠隔操作（training from demostration）を用いて、vrを装着した人間を通じてデータを取得し、ロボットにデモンストレーションを行う方法です。

この種の遠隔操作収集では、通常、ロボットを非常に固定された「データ収集工場」環境に置き、できるだけ効率的に十分なデータを収集します。たとえいくつかの繰り返しや類似点があったとしても。

（写真：テスラのデータ収集工場）

eric jang 氏によれば、彼らが現在使用している方法は非常に「愚かな」方法です。テスラが使用している一見効率的な集中収集モードと比較して、1x はさまざまな生活シーンに戻って収集することにこだわることを選択しました。そのため、工場とは非常に異なる多くのスペースでそれらが収集されていることがわかります。また、ビデオトレーニングやシミュレーションデータも使用せず、遠隔操作で収集したデータのみを使用することにこだわった。

（写真：eveのトレーニングシーンは驚くほど多彩）

ceo の bernt bornich 氏はインタビューで、「多様性は人型ロボットのデータの最も重要な側面です。消費者向けロボットの非構造化環境の多様性から学ぶことで、思考の多様性から真のインテリジェントな汎用ロボットが可能になります。」と述べています。

x1 氏の見解では、ロボットが最終的に着陸する家庭やオフィス環境には固定された構造がなく、人間の使用に応じて常に変化するため、意味を持たせるには十分な多様なデータが必要です。したがって、eric jang が示した 1x データ収集公式は、「多様性 > 品質 > 量 > アルゴリズム」となります。

この多様性のあるコレクションを実現するために、1x はロボット オペレーターのチームを特別に編成しました。その全員が、一連のシンプルな nle グラフィカル インターフェイスを通じて個人的にいくつかの動作モデルをトレーニングできます。これに関して、eric jang 氏はテクノロジー ブログで次のように書いています。「1x は、データ コレクターがロボットの機能を自分でトレーニングできるようにした、私が知る最初の企業です。これにより、モデルが良好な状態に達するまでに必要な時間が大幅に短縮されます。データの質や、ロボットのタスクを解決するために実際に必要なデータ量についてのフィードバックを迅速に得ることが、将来的にはロボットによるデータ収集の一般的なパターンになると私は予想しています。」

そのため、収集担当者だけでなく、モデルを直接微調整できる収集エンジニアのグループも抱えています。特定のタスクで何が機能していないのかを特定し、それらのシナリオのデータを収集して、モデルを再トレーニングして調整し、モデルが完璧になるまでこのプロセスを繰り返します。オールインワントレーニング。

(写真: 1x の linkedin では、これらのオペレーターの採用はアウトソーシングではなくすべてフルタイムの仕事で、月給は 6,000 ～ 8,000 ドルで、これは米国の平均月給の約 1.5 倍です)

これらの「愚かな」方法により、収集されたデータの品質と多様性が保証され、各データは可能な限り「有用」になります。最近のインタビューでrric氏は、「工場にロボットを導入してまったく同じ作業を繰り返し実行する場合、データは基本的に役に立たない」と述べた。

この比較的細かい収集により、間違いなくデータ量の増加が遅くなりますが、その効果は非常に重要です。

(上: 1x によって収集されたデータの時間数、下: 1x によって収集されたアクションの多様性)

eric jang の技術共有によると、2024 年 3 月までに、7,000 の異なるユニークなアクションを含む合計 1,400 時間のトレーニング データが収集されました。同氏はまた、このデータのトレーニングにより、eveロボットは現在何百もの独立した能力を持たせることができると述べた。

対照的に、rt-2 はトレーニングに 130,000 個のサンプルを使用し、13 台のロボットが丸 17 か月をかけてサンプルを収集しました。各例が平均 5 秒である場合、これらの例の合計の長さは数万時間に達する可能性があります。 700 の異なる命令を使用してタスクを実行できます。

この観点から見ると、データ収集の精緻化の効果は確かに大きい。能力レベルの少なくとも半分に到達するには、データの 1/10 を使用します。急ぐと無駄になるという考えは、ロボット工学の世界にも当てはまります。

結論

全体として、1x の最大の「切り札」は人に焦点を当てていることです。

1x が伝える企業文化は、以前の eve にせよ、最近の neo にせよ、そのプロモーション ビデオはまったく異なり、シャープなエッジを避け、意図的に大規模なアクションを引き起こすことはありません。コミュニケーションも一種の理想主義です。

neoのプロモーションビデオを見ると、1xは「隣のお兄さん」のような「温かい男」のイメージを醸し出しており、人間の男性と同じような筋肉のラインを強調したタイトな服装をしていることが分かる。彼は家族の日常生活の世話をし、出かける前に荷物をまとめ、出発前に温かい抱擁を与えてくれます。

さらに、デモビデオでは、neo が人間のジェスチャーを理解できることがわかり、これは人間のコミュニケーションを深く理解していることにもなります。人と人とのコミュニケーションの多くは言葉に頼らないものですが、人間は「言葉に詰まってしまう」ことがあります。そこで、neoは人間の次のステップを「読み」、言葉を介さずにお互いを理解することができます。特に土地には「人間味」がある。

タスクの汎用化と柔軟な設計の観点から、neoは家庭用初の二足歩行ヒューマノイドロボットと言えます。

もしロボットが未来において永遠であり得るとしたら、私たち自身、そしてさらには将来の世代にも寄り添ってくれるロボットとはどのようなものでしょうか?おそらく neo が良い答えでしょう。