Anthropic Research、プロジェクトFetch第2段階でClaudeのロボット作業支援を再検証

Anthropic は 2026年6月18日、Research 記事「プロジェクトFetch第2段階」を公開しました。2025年8月に実施したプロジェクトFetchを再訪し、新しい Claude モデルがロボット関連タスクをどこまで自律的に進められるかを検証した内容です。

要点

• Anthropic は、オフ・ザ・シェルフの四足歩行ロボットを使ったプロジェクトFetchの第2段階を報告しています
• 前回の実験では Claude Opus 4.1 が人間チームを支援しましたが、単独ではロボット接続の段階で詰まったと説明されています
• 今回は Claude Opus 4.7 が人間の補助なしで動き、参加者が1年未満前に完了したタスク群では、最速の人間チームより約20倍速かったとされています
• 一方で、ロボットでボールを正確に動かす「fetching」部分にはなお苦戦しており、低レベルのロボット制御を解いた実験ではありません
• 実務では、物理世界の作業に AI エージェントを接続する際の評価、権限、監視、安全な実験環境をどう作るかが読みどころです

今回のブログ記事で語られていること

プロジェクトFetchは、Claude が人間の作業者をどれだけ助けられるか、そしてモデル自身がどこまで作業を進められるかを見るための実験です。2025年8月の最初の実験では、ロボット工学の専門家ではない Anthropic 社員が、Claude を使うチームと使わないチームに分かれて、四足歩行ロボットを操作する課題に取り組みました。当時の Claude Opus 4.1 は、Claude を使う人間チームの作業を大きく助けた一方、モデル単独ではロボットへの接続方法を見つける段階で止まったと説明されています。

第2段階で変わったのは、Claude Opus 4.7 が人間の補助なしで同じ系統の作業に取り組んだ点です。記事によると、Claude Opus 4.7 は参加者が前回完了したタスク群において、最速の人間チームより約20倍速く進めました。ここで重要なのは、単なる文章生成の性能比較ではなく、ロボットのセンサー接続、制御用プログラム、経路監視、物体検出のように、現実の機器とコードが絡む作業で評価していることです。

ただし、この結果を「LLM がロボットを完全に扱えるようになった」と読むのは危険です。Anthropic 自身も、最新の Claude モデルはロボットでビーチボールを正確に動かす部分にはなお苦戦したと書いています。また、今回のタスクは、ロボットの低レベル制御ポリシーを新しく設計するような難しい制御問題を扱ったものではありません。むしろ、既存のロボット、ドキュメント、プログラム、センサー出力を組み合わせて、タスク遂行に必要な手順を進められるかを見る実験として読むのが自然です。

そのため、実務で見るべき点は「ロボットを任せられるか」だけではありません。モデルが外部ツールを読み、コードを書き、試行錯誤を速く回せるようになったとき、人間がどの段階で確認し、どの操作を止められる状態にしておくかが重要になります。

背景にあるテーマ

この発表の背景には、AI エージェントがデジタル作業から物理世界に近い作業へ広がるとき、どこで人間の支援が必要になるのかというテーマがあります。Anthropic は、まずモデルが人間を助け、次に人間がモデルを助け、最後にモデルが多くを自分で進めるようになるという流れを示しています。プロジェクトFetch第2段階は、その流れがサイバーセキュリティだけでなく、ロボットや物理世界に関わる作業でも見え始めているという位置づけです。

企業利用の観点では、これは「ロボット導入」の話だけに閉じません。AI エージェントが、社内システム、開発環境、データ処理、実験装置、製造設備、検査機器のような外部ツールへ接続する場面では、同じ問題が起きます。モデルが速く作業を進められるほど、誤った操作、過剰な権限、ログ不足、検証されていないコード実行のリスクも大きくなります。

今回のブログ記事が関係する人

AI エージェントを開発環境や実験環境に接続しようとしているチームに関係します。特に、コード生成だけでなく、デバイス、センサー、シミュレーター、社内ツールを動かすワークフローを検討している場合、今回の実験は評価設計の参考になります。

ロボティクスや製造、研究開発の現場にも関係します。Claude が低レベル制御を解いたわけではありませんが、既存ツールの接続、ドキュメント読解、制御コードの作成、試行錯誤の進行を支援できる可能性を示しています。

セキュリティ、ガバナンス、プラットフォーム担当にも関係します。物理機器や外部システムを操作するエージェントでは、権限分離、監査ログ、停止手段、サンドボックス、承認フローを先に決めておく必要があります。

実務で確認したいポイント

• AI エージェントに接続させる機器やシステムの権限範囲を限定できるか
• 実験環境、本番環境、物理機器の操作環境を分けられるか
• モデルが生成した制御コードやコマンドを人間がレビューできるログが残るか
• 失敗時に停止、巻き戻し、隔離できる運用になっているか
• 成功率だけでなく、危険な試行、不要な操作、過剰な権限利用も評価できるか

結局、今回のブログ記事をどう読むべきか

「プロジェクトFetch第2段階」は、Claude Opus 4.7 の自律作業能力が大きく伸びたことを示す一方で、物理世界に接続する AI エージェントをどう安全に評価するかを考えさせる記事です。速く動けるモデルほど、環境設計と監視の重要性は上がります。

導入側は、今回の結果をロボット制御の一般解としてではなく、既存ツールや機器をまたぐ作業でエージェントがどの程度まで自走し得るかを示すシグナルとして読みたいです。実用化を考えるなら、モデル性能だけでなく、権限、ログ、レビュー、停止手段を含めて設計する必要があります。