
Teslaが見せないロボットの脳は、本当に誰にも作れないのか~公開された3つの層を、0〜230ドルの自作計画で確かめる~
最近、Martin(@0x_meden)さんのX Article「How to Build an Optimus-Style Robot Brain at Home」を読みました。
TeslaのロボットOptimusの脳は非公開です。それでも、人型ロボットの頭脳は公開されている範囲で3つの層に分けられ、各層を自宅で再現する道筋がある、という内容です。
ロボットの頭脳を一つの塊として見ない点が面白いです。層に分けると、非公開の部分と、他社が公開した部分の境目が見えてきます。
この記事では、Teslaが公開した範囲と他社の公開例を分けて整理します。そのうえで、3つの層がどう噛み合うのかと、0〜230ドルの計画が何を確かめられて何を確かめられないのかを説明します。
【発端】 非公開の脳を、公開例から組み立て
Optimusの中身は分からなくても、人型ロボットの脳の作りは他社の公開例から学べます。
原文の主張は、Teslaは内部を見せないが、公開されている人型ロボットの脳は同じ3層でできている、というものです。ハードウェアは0〜230ドル、そこに数ドルのレンタルGPU代を足せば、各層を自宅で試せるとしています。
原文自身が「Teslaの構造は公開されていない」と断っている点に、注意したいところです。この記事も同じ分け方で進めます。
【基礎】 脳は「話す・見て動く・立つ」の3層
脳は一枚岩ではなく、役割の違う層の重なりです。
原文の整理を、この記事の言葉で並べ直します。
第1層(言葉):人の依頼を理解し、どの技能を使うか選ぶ層です。
第2層(見て動く):カメラ画像から腕や指の動きを出す層です。
第3層(体の制御):転ばないように全身のバランスを保つ層です。
この下に、すべてを支えるデータがあります。
原文の計画では、データの集め方が層ごとに違います。シミュレーション、人の動画、遠隔操作の記録の三つです。
【違い】 公開された範囲と、他社の公開例

Teslaについて言えることは少なく、細部は他社の公開資料で補うことになります。
Tesla側で確認できる範囲では、2022年のAI Dayの試作機は、体が28自由度(手は別)、バッテリーが2.3 kWhでした。これは試作機の数字で、今のロボットの数字ではありません。
2025年5月には、人の一人称映像から学んだ単一のニューラルネットで家事をこなす動画を、Teslaが公開しました。
当時Optimusを率いていたMilan Kovac氏は、学習の大部分を人の動画から移せるようになったとXに書いています。技能は自然言語で呼び出し、ロボット上の単一のネットワークが動かすとも述べています(X投稿)。
Business Insiderは、Teslaが2025年6月に、モーションキャプチャ服と遠隔操作から、カメラ中心のデータ収集へ重心を移したと報じています(Business Insider)。これは内部関係者の証言にもとづく報道です。
中身の構造
Tesla(公開された範囲):各層の内部は非公開
他社(公開例):Figure、NVIDIA、Physical Intelligenceが論文や文書で公開
数値の例
Tesla(公開された範囲):試作機の自由度、電池容量など
他社(公開例):動作周波数、パラメータ数、データ量
学習データ
Tesla(公開された範囲):人の動画へ移行したという発言と報道
他社(公開例):遠隔操作データを数百時間規模で使う例
Musk氏の「Already does」は、OptimusがGrokで話せるのかと聞かれた返信で、文脈は未公開のOptimus V3です。
2025年の時点でV3は公開されておらず、現行の公開機体が話すという意味には読めません。
2026年10月の決算説明会でも、Musk氏はV3の動画を1〜2か月後に出せるかもしれないと述べた、と報じられています(報道)。V3の動画は、この報道の時点でも今後の予定です。
【仕組み】 遅い判断と速い動作の分業

考える速さと動く速さを分けるのが、公開例に共通する設計です。
Figureは自社の脳Helixの数値を公開しています。
判断を担うSystem 2は70億パラメータの視覚言語モデルで、毎秒7〜9回動きます。動作を担うSystem 1は8,000万パラメータの方策で、毎秒200回動きます(Figure)。
制御は35自由度(指、手首、胴、頭)にわたり、学習には約500時間の遠隔操作データを使い、ロボットには組み込みGPUが2基載っています。
分業の理由は、大きなモデルは判断に向くものの遅く、物に触れた瞬間の反応には速いモデルが向くからです。遅いモデルが目標を決め、速いモデルが接触の瞬間を受け持ちます。
原文の返信欄にも、同じ整理がありました。
NVIDIAのオープンな基盤モデルGR00T N1も、理解するモデルと動かすモデルを組み合わせる構成です。π0も、ネット上の画像と文章で事前学習したモデルに、ロボットの行動を学ばせる流れです。
この「言語を持つモデルに、動きを足す」流れが、GrokをOptimusに載せるという発想と同じ形だ、というのが原文の見立てです。
ただしOptimus内部でそうなっている証拠はなく、Grokが話すかどうかも上のとおり確認できていません。あくまで類推です。
【具体例】 層ごとに読む8週間の計画


この計画は手順書というより、層ごとの学習課題の一覧です。
原文は8週間を次のように割り当てています。
1〜2週目(ノートPC、0ドル):物理シミュレータMuJoCoに、実機Unitree G1のモデルを読み込みます。MuJoCo Menagerieが、手つきのG1のモデルを公開しています。
3〜4週目(レンタルGPU):強化学習で立つ、歩く動きを学ばせます。人の動画から動きを取り出してG1に移す手法も扱い、第3層にあたります。
5〜6週目(229.88ドル):SO-101の操作側と追従側の腕を組み、人が動かした動きを記録します。部品表では組の合計が229.88ドルです(SO-ARM100)。
7週目(レンタルGPU):記録したデータで、画像から動作を出す方策を学習します。第2層です。
8週目(ノートPC):エージェントにMCP経由でロボットを操作させ、第1層をつなぎます。
0〜230ドルの内訳は、ノートPCだけなら0ドルで、腕の組を作る場合に229.88ドルです。GPUのレンタル代は原文が2026年8〜9月の価格ガイドから引いた参考値で、この記事では最新価格を確認していません。
実際に作るときは、記録する量の目安に注意が要ります。原文は「LeRobotの既定は50エピソード」とします。
LeRobotのドキュメントでは、記録設定の例に50、大きなデータセットでは少なくとも50が勧められています。最初の試しの例は5エピソードです。
50は推奨であって、動作の成功を保証する数字ではありません。
返信欄には、50デモで学習したACTは照明やカメラ角度が変わると崩れる、という経験談がありました。デモは課題だけでなく、条件の変化にも配分したほうがよさそうです。
【関連概念】 次に調べる5つの言葉
次に調べる言葉を絞れば、各層の論文や実装に直接つながります。
模倣学習:人の操作を記録し、その動きを真似る方策を学ぶ方法です。ALOHAは、安価な両腕システムと少数の人間デモで、細かい作業を学べると示しました(論文)。
VLA(視覚・言語・行動モデル):画像と言葉を入れて、行動を出すモデルです。GR00T N1やπ0が代表例です。
行動チャンク:先の数ステップ分の動作をまとめて出す方式です。ALOHAの論文が提案したACT(Action Chunking with Transformers)が代表例で、原文の7週目もACTから始めます。
シミュレーションから実機へ:シミュレータで学んだ方策が、現実の物理差で崩れる問題です。原文はASAPという手法に触れていますが、この記事では内容を確認していません。
必要な計算資源:openpiは推論8GB超、LoRAでの微調整22.5GB超、全体の微調整70GB超を示しています。GR00T N1.7は推論16GB以上、微調整40GB以上です(NVIDIAのREADME)。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
関連記事
【まとめ】 まず1つの関節を動かすところから

Optimusそのものは作れませんが、3層の仕組みは自宅で触れます。
最初の一歩は軽くて構いません。MuJoCoを入れ、G1のモデルを読み込み、関節を1つ動かします。
原文の著者はこれを一晩でやったと書いています。
ただし、これは関節角度を手で指定した動きで、学習した方策ではありません。原文も、学習が始まるのは3週目以降だと断っています。
返信欄には、失敗からの回復や安全停止はどう扱うのか、という問いもありました。
私はこの計画を実際に試していないので、動作や所要時間は保証できません。
試すときは、動かした層を一つずつ記録するのがおすすめです。どの層で何ができて、どこで詰まったかが、そのまま自分用の地図になります。