政策と実証が増え、論点は導入判断に移った
フィジカルAIをめぐるニュースの意味は、ロボットが人間のように動くかという期待だけでは測れない。2026年に入り、日本では国産マルチモーダル基盤モデルの開発事業、クラウド事業者による開発支援、重電・製造系企業による実証拠点が相次いでいる。政策、計算基盤、現場企業が同じ方向を向き始めたことが、今回の変化だ。
内閣府の会見要旨では、2040年度までに戦略17分野で370兆円超、フィジカルAIと半導体では合わせて78.5兆円規模の官民投資を引き出す考えが示された。NEDOの事業も2026年度から2030年度までを対象にし、国産AI基盤モデルを製造業などの競争力強化やGXへ結び付ける設計になっている。
ここで見方を変えるべき点は、フィジカルAIが「研究室のロボット動画」から「企業が現場導入の可否を判断する技術」に変わり始めたことだ。導入判断の中心には、性能表の点数よりも、現場の安全、責任、権限、コストが来る。
AIが身体を持つと、足りないデータの種類が変わる
生成AIは、インターネット上のテキスト、画像、動画から大きく伸びた。フィジカルAIでは、そこに触覚、力覚、設備の振動、部品のばらつき、人の動線、停止時の危険度が加わる。産総研が指摘するように、視覚や言語のデータは豊富でも、物を持ったときの感触や力の情報はネット上に十分にはない。
この不足は、開発者にとってはデータ収集と評価の問題になる。シミュレーション、模倣学習、現場での動作ログ、センサー統合を組み合わせなければ、モデルは現場の例外を学べない。企業にとっては、データを外に出せるか、現場ノウハウを誰が所有するか、再学習したモデルの権利をどう扱うかという知財と契約の問題になる。
利用者や作業者にとっては、AIが作業を肩代わりするかより、危険な動作を止められるか、なぜその判断になったか、誰が再開を許可するかが重要になる。フィジカルAIの実装では、データ不足がそのまま安全不足、説明不足、責任不足へ広がる。
導入可否を分ける五つの変数
第一の変数は現場データの質だ。数が多いだけでは足りず、失敗例、季節差、部材差、作業者ごとの差、設備の劣化まで含む必要がある。第二はセンサーとエッジ推論の設計で、遅延が大きければ安全停止や微細なハンドリングに使えない。
第三は安全責任だ。ロボットが誤って人や設備に損害を与えた場合、モデル開発者、ロボットメーカー、導入企業、現場管理者のどこに責任があるのかを契約で分ける必要がある。第四は権限制御で、AIができる操作、提案に止める操作、人間の承認が必要な操作を分離しなければならない。
第五は費用対効果だ。GPU、センサー、保守、現場教育、監査対応を含めると、単純な人件費代替では説明できない投資になる。フィジカルAIは、価格が下がったら自然に広がる技術ではなく、現場KPIをどの順番で改善するかを設計できた企業から広がる。
センサーから責任まで、詰まりは連鎖する
フィジカルAIの導入経路は、センサー、現場データ、モデル学習、シミュレーション、実機検証、設備制御、安全停止、作業ログ、監査という鎖でできている。一つでも弱い部分があると、全体の導入判断が止まる。
たとえば、センサーが対象物の柔らかさを十分に拾えなければ、モデルはつかみ方を誤る。モデルが正しくても、現場設備との接続が遅ければ動作は間に合わない。動作が成功しても、ログが残らなければ事故時の説明や監査に耐えない。フィジカルAIの難しさは、技術の不足が運用の不足に直結する点にある。
研究ベンチマークでも、物理的な一貫性や安全な行動計画はなお弱点として残っている。動画として自然に見えること、作業手順を作れること、危険を避けて現場で動けることは別の能力だ。企業導入では、この三つを同時に満たす必要がある。
企業ごとに違う制約が、普及速度を決める
開発者にとっての制約は、良いモデルを作ることだけではない。現場データを集める実験環境、合成データと実データの差を埋める検証、失敗動作を安全に再現する仕組みが必要になる。ロボット基盤モデルの開発支援が増えているのは、この入口コストが高いからだ。
導入企業にとっての制約は、既存設備と業務プロセスだ。工場、物流、保守、介護、店舗では、同じロボットでも許される速度、停止距離、作業ログ、作業者の介入権限が違う。汎用モデルがあっても、最後は現場別のルールに合わせ込む必要がある。
利用者や作業者にとっての制約は信頼だ。AIが何をしているか分からない状態で、人の近くで動く機械を受け入れるのは難しい。導入が進む企業ほど、完全自律を急ぐより、人が承認する作業、人が例外対応する作業、AIに任せる作業を細かく分けるはずだ。
競争軸はモデルから配布、データ、運用権限へ移る
フィジカルAIの競争は、最大モデルを持つ企業だけが勝つ形にはなりにくい。現場データを継続的に集められる企業、設備とつなげられる企業、クラウドとエッジを安く回せる企業、安全基準を契約に落とし込める企業が強くなる。
クラウド企業は計算資源と開発パイプラインを押さえる。製造・重電・物流企業は現場とドメイン知識を押さえる。ロボットメーカーやSIerは設備接続と保守を押さえる。政府は研究開発投資、データ流通、標準化、事故時の責任ルールを通じて普及速度に影響する。
日本の勝ち筋があるとすれば、精密な機械や現場改善の経験そのものではなく、それをAIが学べるデータと運用ルールへ変換できるかにある。ものづくりの強みは、モデルに食わせられる形に変えて初めて競争力になる。
見方を変えるサインは契約と現場KPIに出る
この先の強いシナリオは、限定用途で実運用が積み上がる展開だ。危険範囲が小さい搬送、検査、保守補助、柔軟物ハンドリングなどで、事故率、停止時間、サイクルタイム、作業者負荷が改善し、導入企業が横展開を始める。
慎重なシナリオでは、実証は増えても本番導入が遅れる。理由はモデル性能ではなく、責任分界、データ持ち出し、監査、労務、保守費用が詰まることだ。とくに人の近くで動く領域では、事故が一件起きるだけで権限設計と規制議論が前面に出る。
判断を変えるサインは、発表会の数ではない。ステージゲートを越えた継続投資、現場KPIの公開、保険や保証の整備、停止権限を含む契約、事故・ヒヤリハットの透明な報告が増えたとき、フィジカルAIは企業の実装技術として一段進む。