【第3回】巨大モデル一つで全部やるな ― 階層と責務分離のアーキテクチャ

全部を一つの巨大モデルでやるのは、資源の無駄使い

シリーズの締めくくりに、第2回で描いた「身体を持つ知能の設計図」を、別の角度から裏づけます。それは、資源効率の観点です。

正直な実感として、何もかもを一つの巨大モデルにやらせるのは、リソースの無駄使いだと感じます。そして、この直感には情報工学の古い裏づけがあります。階層化と責務分離です。

人間を考えてみてください。

• 100m先の人を見つける
• 靴紐を結ぶ
• 呼吸をする
• バランスを取る
• 会話をする

これらを、すべて大脳で計算しているわけではありません。歩くたびに大脳が毎秒何十回も「右足を5mm前へ、膝を2度曲げて…」と推論していたら、会話どころではない。神経系は、処理の種類ごとに異なる回路へ分散しているのです。

AIでも、同じことが起き始めています。

時間スケールが違うものを、同じモデルで回さない

ロボットの制御を分解すると、次のような階層になります。

LLM
    ↓  「コップを持ってきて」
VLA
    ↓  「棚へ行く」「右手を使う」
運動モデル
    ↓  関節軌道生成
MPC
    ↓  1ms単位の姿勢制御
モータードライバ
    ↓  PWM出力

この中でLLMが動くのは、最初の一回だけです。あとの層は、それぞれ別の速さで回り続けます。

さらに重要なのは、時間スケールがまるで違うことです。人間でも、呼吸反射は数十ミリ秒、姿勢制御は10〜20ms、歩行は100ms程度、会話は数百ミリ秒〜数秒、計画は数分〜数時間、と階層になっています。AIでも同じで、自然な周期はおおよそこうなります。

巨大モデルが1kHzで推論する必要は、まったくありません。1kHzで動かすべき層と、数秒に一度でいい層を、同じモデルに押し込むから無駄が生まれるのです。

この「遅い思考と速い行動を分ける」発想は、研究側でも明確になっています。2025年のVLA研究Humeは、System 2の遅い思考（低頻度の価値評価・再サンプリング）と、System 1の高速な action denoising を組み合わせ、まさに時間スケールで処理を分けています（Hume 論文）。Hi Robotも、高次のLLMプランナーと低次のVLAポリシー、そして合成データ生成を組み合わせる構成で、「大脳＝計画／小脳・脊髄＝実行」に近い分担を採っています（Hi Robot）。

エネルギー効率：局所で解決できる問題は、局所で

資源の話は、そのままエネルギー効率の話でもあります。

いまのLLMは、「お腹が空いた」という判断をするだけでも、数十億パラメータが動きます。しかし生物はそうではありません。空腹なら、胃 → 迷走神経 → 視床下部、という局所回路だけで、かなりの処理が終わってしまう。大脳は「今日はコンビニへ行こう」という高次の判断だけを行います。

ここにある原則はシンプルです。局所で解決できる問題は、局所で処理する。

バランスを取る、衝突を避ける、モーターを一定トルクに保つ——こうした処理に、毎回LLMを呼び出すのは過剰です。専用の軽い回路に任せ、LLMは本当に必要なときだけ呼ぶ。生物が何億年もかけて到達したこの分業を、AIも取り入れ始めている、というわけです。

AIは「OSのような構造」へ近づく

こうして考えると、AIも次第にOSのような構造へ近づいていくのではないか、と思います。

LLM
├─ Planning
├─ Language
├─ Reasoning

Local AI
├─ Vision
├─ Speech
├─ Motion
├─ Touch
├─ Navigation

Reflex
├─ Collision
├─ Balance
├─ Emergency stop

Autonomic
├─ Battery
├─ Cooling
├─ Resource management
├─ Network

LLMは「ユーザー空間」のような存在で、その下層には専用のサービスやデーモンが常駐している——というイメージです。ユーザー空間のアプリ（LLM）が、カーネルやドライバ（反射・自律神経層）を毎回肩代わりしないのと同じことです。第2回で見た「自律神経」「恒常性」も、この図でいえば下層のデーモンとして常駐する仕組みにあたります。

求められるのは、制御ソフトウェアの「組織化」

こうした分業は、モデルの選び方や、ロボットのハードウェア実装だけの話ではありません。それらをつなぐ制御ソフトウェアの側にも、同じ「組織化」が求められるようになります。

どのモジュールが、どの周期で、どの責務を持つのか。どんな状態のときに上位へ判断を委ね、異常時にはどの層が主導権を握り、どう安全に停止するのか。こうした役割分担と連携のルールを、ソフトウェアとして設計しておく必要があります。高次の推論モデルと低次の制御を、ただ並べて置くだけでは全体は動きません。

巨大モデル単体の限界も、はっきり議論されています。近年のEmbodied AIのレビューは、MLLM（マルチモーダル大規模言語モデル）は文脈推論に強い一方で物理制約を見落としやすく、World Modelは物理シミュレーションに強い一方で高次の意味理解が弱い、と整理し、両者を組み合わせる方向を提案しています（Embodied AI: From LLMs to World Models）。NVIDIAも、今後の勝ち筋は純粋なVLAでも純粋な World Action Model でもなく、両者のハイブリッドになる可能性が高いと論じています（NVIDIA: The Rise of World Action Models）。要するに、「一つの巨大モデルで全部やる」より「時間スケール・責務・身体からの距離でモデルを分ける」ほうが筋が良い。そして、そうして分けたモデルたちを束ねる制御ソフトウェアの設計こそが、これからの腕の見せどころになります。

まとめ：3回を振り返って

• 全部を一つの巨大モデルでやるのは、時間スケールの異なる処理を混ぜる分だけ無駄が出る
• 神経系と同じく、AIも処理の種類・周期・責務で階層化すべき（1kHzの層と数秒に一度の層を分ける）
• 原則は「局所で解決できる問題は、局所で処理する」。LLMは本当に必要なときだけ呼ぶ
• 行き着く先は、LLMをユーザー空間に、反射・自律神経層をデーモンに置いた「OS的な構造」
• 求められるのは、モデルやハードウェアだけでなく、それらを束ねる制御ソフトウェアの「組織化」

3回を通して見てきたフィジカルAIの核心は、結局のところ「LLMが身体を得る」ことではありませんでした。身体を持つ制御系が、必要な分だけLLM/VLMの意味理解を取り込み、残りは適材適所の専門回路に任せる——その分業の設計こそが、これからの主戦場になると考えています。