〜ヒューマノイド量産前夜、精密デバイス大国・日本の勝ち筋を探す〜
◆前回のおさらいと、今回お話ししたいこと
前回のプロローグでは、「考えるAI」から「動くAI」へという大きな流れと、2026年がその実装元年になるかもしれない、というお話をしました。半導体のお祭り騒ぎを横目に、製造業の現場では「フィジカルAI」の導入準備が静かに始まっている、という現場の温度感もお伝えしたつもりです。
今回の第1話では、その「フィジカルAI」とは、そもそも何なのか、というところを、できるだけ落ち着いて整理してみたいと思います。言葉だけは耳にするけれど、中身がいまひとつつかめない。そう感じている方も、きっと少なくないと思います。私自身、最初は同じでした。ですので、専門用語をできるだけかみ砕きながら、「身体」というひとつのキーワードを手がかりに、生成AIとの違いを見ていきたいと思います。
株式会社DCTAでスマートファクトリーのご相談をお受けしていると、最近は「フィジカルAIって、結局これまでのロボットや自動化と何が違うのですか」というご質問を、本当によくいただきます。とても良い問いだと思います。実は、この問いにご自身の言葉で答えられるようになることが、自社にとっての価値を見極める第一歩になります。大企業の研究開発に関わる方にも、中堅・中小企業で「うちには関係があるのだろうか」と感じている方にも、それぞれの立場で「なるほど、そういうことか」と思っていただけるように書いていくつもりです。今回はいわば、この連載全体を読み進めるための「言葉の地図」をつくる回だとお考えいただけたらと思います。
生成AIとフィジカルAIは、どこが決定的に違うのでしょうか
まず、いちばん大事なところからお話しします。生成AIとフィジカルAIの違いは、ひとことで言えば「身体を持っているかどうか」だと、私は理解しています。
生成AIは、文章を書いたり、画像をつくったり、要約をしたりする、いわば「画面の中で完結するAI」です。とても賢く、便利です。けれども、その活躍の舞台は、あくまでデジタルの世界の中です。出てくる答えが少しおかしくても、もう一度やり直せばよい。修正もききます。
一方のフィジカルAIは、物理的な世界そのものの中で「動く」AIです。カメラで周りを見て、言葉の指示を受け取り、ロボットの腕やモーターに「こう動け」という指令を出す。ものをつかみ、運び、組み付ける。つまり、デジタルの頭脳に、現実の「身体」がつながっているのです。
この「身体を持つ」ということが、想像以上に大きな違いを生みます。身体を持った瞬間に、AIは現実のやっかいごとと正面から向き合うことになるからです。ものには重さがあり、表面には摩擦やすべりがあります。同じ部品でも一つひとつ微妙に個体差があり、置かれ方も毎回少しずつ違います。人がそばにいれば、ぶつからないよう安全にも気を配らなければなりません。そして現実は、こちらの都合を待ってくれません。情報が足りないまま、その場その場で判断して動き続ける必要があります。何より、現実では「やり直し」が簡単にはききません。一度部品を落として割ってしまえば、それで終わりです。
ここは、製造業のみなさんには、かえってよく分かる感覚かもしれません。マニュアルを完璧に暗記した新人さんと、実際にラインで手を動かして良品を出せる人とでは、まったく別の力が要りますよね。知識として「考える」ことと、現場で「動かす」こととのあいだには、深くて大きな川がある。フィジカルAIは、その川を渡ろうとしている技術なのだと思います。
もう少し具体的にお話しします。たとえば、生成AIに「不良の原因をまとめて」と頼んで、もし答えが少しずれていても、人がチェックして直せば済みます。被害はほとんどありません。けれども、フィジカルAIがラインで部品の向きを取り違えて組み付けてしまえば、その製品は不良になり、下手をすれば後工程まで巻き込んで止まってしまいます。同じ「間違い」でも、画面の中の間違いと、現実の床の上での間違いとでは、重みがまるで違うのです。だからこそ、フィジカルAIには、賢さだけでなく、「確実さ」と「安全」が、これまで以上に厳しく求められます。この感覚は、毎日歩留まりと向き合っておられる現場の方ほど、肌で分かっていただけると思います。
これまでの自動化とは、どう違うのでしょうか
ここで、もう一つよくいただく疑問にお答えしておきます。「それは、これまでの産業用ロボットや自動化と、どう違うのか」という点です。
これまでの自動化は、ひとことで言えば「決められた動きを、寸分たがわず繰り返す」ことが得意でした。同じ場所に、同じ向きで、同じ部品が来る。そういう「お膳立てされた環境」でこそ、力を発揮してきました。逆に言えば、部品の向きがばらばらだったり、置き場所が日によって変わったりすると、とたんに難しくなります。だからこそ、これまでは治具や供給装置を作り込み、環境のほうをロボットに合わせてきたのです。
フィジカルAIが新しいのは、この前提を少しずつ覆そうとしている点です。カメラで状況を見て、その場で「今回はこうしよう」と判断しながら動く。多少ばらついた環境でも、自分で折り合いをつけられる。「環境を機械に合わせる」のではなく、「機械が環境に合わせる」方向へ。これは、とくに少量多品種で、作り込みに手間をかけにくい中堅・中小企業にとって、大きな意味を持つ変化だと思います。もちろん、まだ発展の途中ですので、現時点でどこまでできるかは、作業ごとに冷静に見極める必要があります。
なお、「フィジカルAI」と聞くと人型ロボットばかりを思い浮かべがちですが、必ずしも人の形をしている必要はありません。腕だけの協働ロボットも、床を走る搬送ロボットも、カメラを積んだ点検ロボットも、現実の世界で自分で判断して動くのであれば、広い意味でのフィジカルAIの仲間です。自社に合うのは、必ずしも高価な人型とは限りません。形にとらわれず、「どの作業を任せたいか」から考えるのが、現場としては健全だと思います。
なぜ「動く」ことは「考える」ことより難しいのでしょうか
少し意外に思われるかもしれませんが、AIにとっては、難しい計算や知識の処理よりも、人間が無意識にこなしている動作のほうが、ずっと難しいと長く言われてきました。前回も少しだけ触れましたが、これは「モラベックのパラドックス」と呼ばれる、ロボットの世界では有名な考え方です。
たとえば「コップをそっと持つ」という動作を思い浮かべてみてください。私たちは何も考えずにやっていますが、これをロボットにやらせようとすると、とたんに難問になります。強く握れば割れてしまい、弱すぎれば落としてしまう。中身が水なら重さで持ち方も変わります。しかも、それを目で見ながら、コンマ何秒の単位で力を調整し続けなければなりません。「考える」だけなら一瞬でも、「ちょうどよく動かす」のは、これほど難しいのです。
製造の現場には、こうした「身体で覚えた難しさ」が、いたるところにあります。溶接の手元のわずかな送り方、塗装のひと吹きの厚み、ねじを締めるときの止めどころの手応え。ベテランの方が、手の感覚で材料の良し悪しを見抜いたり、わずかな音や手応えの違いで異常に気づいたりする。あの「手の記憶」とでも呼ぶべき暗黙知は、まさにAIがいちばん苦手としてきた領域です。前職の大手ケミカルHDで工場の現場に関わっていた頃も、図面や数字だけでは分からない見極めを、ベテランの手の感覚に何度も助けられたものです。だからこそ私は、フィジカルAIの時代になっても、人の技の価値はすぐには消えないと思っています。むしろ、その技をどう次の時代へ受け渡すかが問われます。この大切な論点は、第8話「人とロボットの役割分担」で、あらためてじっくり考えたいと思います。
ではここから、その「動くAI」を支えている、三つの大切なキーワードを、ひとつずつかみ砕いていきます。前回お約束した「ワールドモデル」と「Sim-to-Real」も、ここで整理します。
◆キーワード① ワールドモデル AIが頭の中に持つ「予行演習場」
一つ目は「ワールドモデル」です。少しかための言葉ですが、中身はそれほど難しくありません。
私たちは、何かをする前に、頭の中で「こう動かしたら、たぶんこうなるな」と無意識に予想しています。ボールを投げる前に飛び方をなんとなくイメージしたり、車庫入れの前に車の動きを思い描いたり。あの「頭の中の予行演習」を、AIにも持たせよう、というのがワールドモデルの発想です。つまり、物理世界の「次に何が起きるか」を、AIが自分の中で予測し、つくり出せるようにする仕組みのことだと考えていただくと、分かりやすいと思います。
この分野で大きな話題になっているのが、エヌビディアが進める「Cosmos（コスモス）」という、ワールドモデルの基盤です。これは、物理の法則に沿った映像やデータをAI自身が大量に生み出せるようにするもので、ロボットを学習させたり性能を確かめたりする手間を、これまでの数カ月から数日へと大きく縮められるとされています（出典：エヌビディア「Cosmos」関連発表、2026年）。2026年6月には、文章・画像・映像・音、そして動作までを一度に扱える新しい世代の「Cosmos 3」も発表されました（出典：エヌビディア「Cosmos 3」発表、2026年6月）。同社のジェンスン・フアンCEOは、「ロボットにとってのChatGPTのような瞬間が近づいている」という趣旨を語っています（出典：同上）。
少し大げさに聞こえるかもしれませんが、現場目線で言い換えれば、こういうことだと思います。これまでロボットに新しい仕事を覚えさせるには、現実の現場で何度も試すしかなく、時間も手間もかかりました。ワールドモデルは、その練習を「コンピューターの中の、現実そっくりの世界」で、安全に、しかも桁違いの回数こなせるようにする。いわば、AIのための無限の予行演習場をつくる技術なのです。
もう一つ、見落とされがちな利点があります。仮想空間でなら、現実では危なくて試せない状況も、安全に練習させられる、という点です。たとえば、重い荷物を取り落としそうになったときの対処や、人が急に近づいてきたときの止まり方。本物の現場でわざと起こすわけにはいかない場面も、仮想の中なら何度でも経験させられます。安全に関わる学びを、安全な場所で積めるというのは、現場にとって地味ですが大きな安心材料だと思います。
ここで一つ、製造業にとって見逃せない点があります。AIを賢くするには、大量の「お手本データ」が要ります。言葉や画像なら、インターネット上に山ほどありました。ところが、ロボットが現実でものを扱う動作のデータは、世の中にほとんど転がっていません。一つひとつ現場で集めるしかなく、これがロボット開発の大きな壁でした。ワールドモデルは、その足りないお手本を、仮想空間で大量に「つくり出す」ことで補おうとしているのです。逆に言えば、これからは「現実の良質なデータを、どれだけ持っているか」が、大きな強みになります。長年ものづくりの現場を回してきた日本企業にとって、これは決して悪い話ではないと思います。データという視点での日本の立ち位置は、第10話「2030年の工場地図」であらためて考えます。
◆キーワード② Sim-to-Real 仮想で鍛えて、現実で働かせる
二つ目が、その予行演習場と深くつながる「Sim-to-Real（シム・トゥ・リアル）」です。これは「シミュレーション（仮想）から、リアル（現実）へ」という意味で、仮想空間でたっぷり練習させたあと、その成果を現実のロボットに移す、という考え方です。
なぜこれが大事かというと、現実の現場でロボットに何百万回も練習させるのは、とても現実的ではないからです。ラインを止めるわけにもいきませんし、失敗のたびに部品が無駄になり、安全上のリスクもあります。そこで、先ほどのワールドモデルがつくり出す「現実そっくりの仮想世界」の中で、何百万回、何千万回と練習させる。そこで身につけた「コツ」を、現実の機械にそっと移してやる。これがSim-to-Realの基本的な流れです。
これは、製造業のみなさんにとっては、実はなじみのある発想だと思います。新しいラインや設備を立ち上げるとき、いきなりぶっつけ本番ではなく、まず図面やシミュレーションで動きを詰めてから現場に持っていきますよね。あの「事前に仮想で詰める」やり方の、ロボットの動作版だと考えていただけたらと思います。
もちろん、いいことばかりではありません。仮想の世界と現実の世界には、どうしても食い違いが残ります。これを「Sim-to-Realのギャップ」と呼びます。仮想では完璧に動いたのに、現実では床のわずかな段差や、照明の映り込みでつまずいてしまう。このギャップをどう埋めるかが、現場での腕の見せどころであり、現実のデータとの地道なすり合わせが欠かせません。
ギャップを埋めるための工夫も、いろいろ生まれています。たとえば、仮想空間の中で、わざと照明の明るさや床の摩擦、部品の色や重さを少しずつ変えながら練習させておく、というやり方があります。あらかじめ「いろいろな現実」を経験させておけば、本物の現場の多少のばらつきにも動じにくくなる、という発想です。現場で言えば、新人さんに、わざと条件の悪い日や難しいロットも経験させて、応用の利く人に育てるのに少し似ているかもしれません。「仮想で鍛えて、現実で確かめて、また仮想に戻す」。この地道な行き来こそが、フィジカルAIを現場で使いものにしていく、実際の作業なのだと思います。
◆キーワード③ VLA ひとつの頭脳が、見て・聞いて・動く
三つ目は「VLA」です。これは「Vision・Language・Action」、つまり「視覚・言語・行動」の頭文字をとった言葉で、近ごろのフィジカルAIの中心にある考え方です。
これまでのロボットは、「見る」仕組み、「考える」仕組み、「動かす」仕組みが、それぞれ別々のプログラムに分かれていました。VLAは、それをひとつの賢い頭脳にまとめてしまおう、という発想です。カメラの映像と、「あの部品を取って、こちらの治具に置いて」といった言葉の指示を受け取ると、その頭脳が、ロボットの腕やモーターへの動作指令を、そのまま生み出してくれる。間に複雑な仕組みをいくつもはさまずに、「見て、聞いて、動く」を一気通貫でこなすのが特徴です。
代表的なものとしては、フィギュアAIの「Helix（ヒーリックス）」、エヌビディアの「GR00T（グルート）」、グーグルの「ジェミニ・ロボティクス」などが知られています。面白いのは、その多くが、人間の脳のような「二段構え」になっていることです。じっくり状況を理解して段取りを考える、ゆっくり働く部分（よく「システム2」と呼ばれます）と、その場でとっさに身体を反射的に動かす、速く働く部分（「システム1」）。この二つを組み合わせて、考える力と動く速さを両立させようとしているのです。
もう一つ、VLAの大事な点をお伝えします。それは、ひとつの賢い頭脳で、いろいろな形のロボットを動かせるようになりつつある」ということです。これまでは、ロボットの機種が変わるたびに、プログラムを一から組み直すのが当たり前でした。ところがVLAでは、たくさんのロボットの動きをまとめて学ばせることで、「初めて見る作業」や「初めて触る機械」にも、ある程度応用が利くようになってきています。これは、言葉のAIが、大量の文章を学ぶことで賢くなっていったのと、よく似た道のりです。「データを集め、頭脳を大きくし、応用を利かせる」。言語の世界で起きた勝ちパターンが、いま、ものを動かす世界にもやってきている。私はそう感じています。
具体的なイメージもお伝えしておきます。たとえば、ある人型ロボットに「冷蔵庫から飲み物を取って」と話しかけると、まずカメラの映像から冷蔵庫と取っ手と飲み物を見つけ出し、扉を開け、ボトルをつかんで手渡す、という一連の動きを、ひとつの頭脳が組み立てていきます。これを、人がいちいちプログラムで細かく指示しているわけではない、というのが大きな変化です。工場で言えば、「この箱を、あの棚の二段目に置いて」と頼めば、その場の状況を見て段取りまで考えてくれる。そんな働き方に、少しずつ近づいているということだと思います。
ここで、身体を持つAIならではの厳しさが、はっきり出てきます。文章を生み出す生成AIなら、答えが出るまで二秒ほど待っても、たいていは問題ありません。けれども、現実で動くロボットが二秒も反応に詰まったら、それは危険です。ですから、フィジカルAIの頭脳は、コンマ何秒という単位で、休まず判断し続けなければなりません。この「リアルタイムで動き続ける」という宿命こそ、画面の中のAIと、床の上のAIとを分ける、いちばん大きな壁のひとつだと思います。
フィジカルAIは、製造業のどこに効いてくるのでしょうか
少し話を、私たちの現場に引き寄せてみます。フィジカルAIという言葉は壮大に聞こえますが、効いてくる場所は、意外と地に足のついたところだと思っています。私がよくご相談を受けるなかでも、当面の出番が見えやすいのは、次のような場面です。
一つ目は「運ぶ」場面です。部品や箱を、ある場所から別の場所へ移す。重いものを持ち上げ、決まった位置に積む。前回ご紹介した物流現場での人型ロボットも、まさにここから始まっています。
二つ目は「組み付ける・置く」場面です。決まった部品を取り、決まった向きで、決まった場所に納める。フィギュアAIの人型ロボットが自動車工場で担ったのも、板金部品をつかんで治具に置く、という工程でした。
三つ目は「見て確かめる」場面です。出荷前の製品に傷がないか、部品が正しく付いているか。人の目と手でやっていた検査を、カメラを持つAIが手伝います。
四つ目は「点検・保全」の場面です。設備の周りを回って、異音や発熱、油漏れがないかを確かめる。危ない場所や、人手の足りない夜間の見回りなどで、力を発揮しそうです。
どれも、急に工場が無人になる、という派手な話ではありません。けれども、「人手が足りず、できれば誰かに代わってほしい」と現場が感じている作業から、ひとつずつ。そういう地に足のついた広がり方をしていくのが、現実的な姿だと思います。フィジカルAIを、遠い未来の万能ロボットとしてではなく、「困っている一工程を手伝ってくれる、新しい道具」として捉え直すと、ぐっと自分ごとになってくるのではないでしょうか。
私が前職や独立後に見てきた現場の多くも、はじめから完璧な自動化ができていたわけではありません。たいていは、いちばん困っている工程をひとつ選び、小さく入れて、うまくいったら隣に広げる。その積み重ねでした。フィジカルAIも、本質はきっと同じだと思います。新しい言葉に身構えすぎず、これまでの改善の延長線上に置いてみる。それくらいの距離感が、現場にとってはちょうどよいのではないでしょうか。
「考える」と「動く」がつながると、工場はどう変わるのでしょうか
ここまでの三つのキーワードを、ひとつの流れとしてつなげてみます。
まず、現場や仮想空間から「データを集める」。そのデータをもとに、ワールドモデルが「考え」、Sim-to-Realで何度も予行演習をする。そして、そこで鍛えられたVLAという頭脳が、現実のロボットを「動かす」。前回、私は「データを集め、考え、そして動く。この三つがひとつにつながったとき、工場は本当の意味で自ら学ぶ場所に近づく」とお伝えしました。フィジカルAIとは、まさにこの三つを一本につなぐ技術なのだ、と整理していただけたらと思います。裏を返せば、この三つのどれか一つでも欠けると、うまくいきません。データだけ集めても動きにつながらず、立派な頭脳があっても学ぶ材料がなければ賢くなれない。三つをそろえて、ぐるぐると回し続けることが大事なのだと思います。
では、これは中堅・中小企業にとって、どういう意味を持つのでしょうか。私は、決して「大企業だけの夢物語」ではないと考えています。いきなりこの流れを工場全体に通す必要はありません。前回も申し上げたとおり、まずは「自社のいちばん困っている一工程」を、この流れにそっと乗せてみる。たとえば、毎日の箱詰めや、出荷前の見た目の検査といった、定義のはっきりした作業から試してみる。そこで取れたデータが、また次の改善の材料になります。その現実的な進め方は、第9話「中小製造業の入口」で、投資判断の順番とあわせて、具体的にお話しする予定です。
最後に、現場の立場から、念のためお伝えしておきたいことがあります。ここまでお話ししてきた技術は、たしかに大きな可能性を持っていますが、まだ発展の途中にあります。仮想と現実のギャップは残っていますし、どんな作業でもこなせる万能の頭脳が、もう完成しているわけでもありません。景気のよい言葉に煽られて、過大な期待をふくらませるのも、逆に「どうせまだ先の話」と切り捨ててしまうのも、どちらももったいないと思います。大切なのは、言葉の中身を正しく理解したうえで、「自社のどの作業になら、いま手が届きそうか」を、自分の物差しで見極めることだと感じています。
「ChatGPTモーメント」は、ものづくりにも来るのでしょうか
先ほど、エヌビディアのジェンスン・フアンCEOの「ロボットにとってのChatGPTのような瞬間が近づいている」という言葉をご紹介しました。これは、どういう意味なのでしょうか。
生成AIの世界では、大量の文章を学ばせたら、ある時期から急に賢くなり、世の中の使われ方が一気に変わりました。あの「潮目が変わった瞬間」を、ChatGPTモーメントと呼んでいます。同じことが、ものを動かすAIにも起きるのではないか、という期待が、いま高まっているのです。ワールドモデルで練習場をつくり、VLAという共通の頭脳に、たくさんのロボットの経験を学ばせていく。そうやってある量を超えたとき、ロボットも急に賢くなるのではないか、という見立てです。
ただ、私は現場の人間として、ここは少し慎重に見ています。言葉や画像と違い、現実の身体を動かす世界には、安全や法律、設備との相性、そして「壊れたら止まる」という重さがあります。仮想で賢くなったからといって、明日すぐ、どの工場でも同じように使える、という単純な話ではないと思います。期待しすぎず、かといって見くびらず。「来るとしたら、自社のどの工程から来るか」を冷静に考えておくこと。それが、この潮目とのいちばん健全な付き合い方ではないかと感じています。
そして、この変化は、大企業と中堅・中小企業とで、意味合いが少し違ってくると思います。大企業にとっては、この三つの流れを自社の標準として整え、複数の工場へ横展開できるかどうかが、競争力を左右していくでしょう。一方で中堅・中小企業は、その全部を自前で抱える必要はありません。すでに出来上がりつつある頭脳や仕組みを、必要な一工程ぶんだけ、賢く借りて使う。そういう「身の丈に合った乗り方」ができる時代に、入りつつあるのだと思います。
次回予告
今回は、「フィジカルAIとは何か」を、身体・ワールドモデル・Sim-to-Real・VLAという言葉で整理してきました。次回の第2話では、視点をぐっと引いて、「CES2026が告げた転換点」を取り上げます。今回見てきた「動くAI」を、ひとつのロボットだけでなく、工場まるごとで束ねて動かそうとする。シーメンスとエヌビディアが打ち出した「産業向けの基本ソフト」という大きな構想の中身を、現場目線で読み解いてみたいと思います。
言葉の地図が一枚そろったところで、いよいよ世界で何が起きているのかを、一緒に見ていきましょう。今回の内容は、これからの各話を読み解くうえでの土台になりますので、ピンと来なかった言葉があれば、その都度この回に戻っていただいても大丈夫です。次回もお付き合いいただけたら嬉しいです。
【第1話図表ファイル.pdf
P1ページ「生成AIとフィジカルAIの違い」参照】
【第1話図表ファイル.pdf
P2ページ「フィジカルAIを支える3つのキーワード」参照】
（注釈）
本稿で取り上げたワールドモデル、Sim-to-Real、VLAなどの技術や、各社のモデル・製品に関する記述は、公開情報や各種報道にもとづくものであり、技術は急速に進歩している途上にあります。性能や適用範囲の評価は確定的なものではなく、調査時点や前提により変わり得ます。導入の可否や効果は作業内容・現場環境によって大きく異なりますので、実際のご検討にあたっては、最新の一次情報をご確認のうえ、必要に応じて各分野の専門家にご相談いただくことをおすすめします。
◆著者プロフィール
畠山 達彦 株式会社DCTA 代表取締役
大手ケミカルHDの事業会社にて機能性樹脂事業の責任者を務め、素材開発・加工技術・工場設計・生産管理に至るバリューチェーン全体の意思決定を担う。30カ国以上の事業運営を統括した後、2014年11月に独立し株式会社DCTAを設立。製造業の環境規制対応（PFAS・EU CRA等）、IoT／AI／デジタルツインを活用したスマートファクトリー構築、アジアでの資源循環ビジネス開発を中心としたコンサルティングを展開。湘南・横浜を拠点に、東南アジア・中東・インド・欧州・米国で活動中。NewsPicks EXPERT AWARD ベストフラッシュオピニオン賞2024／2025年連続受賞。
会社URL https://www.dctainc.com/
◆キーワード
#フィジカルAI #生成AI #ワールドモデル #VLA #SimtoReal #ヒューマノイド #製造業DX #スマートファクトリー #ものづくり #産業用ロボット #中小製造業 #第四次産業革命 #NVIDIA #Cosmos #株式会社DCTA