2026年版 フィジカルAI完全解説
第1章 AIは「画面」の中から「現実世界」へ
2022年末にChatGPTが登場して以来、AIをめぐる競争は「知能」の競争だった。より長い文脈を理解し、より自然な文章を書き、より高度な推論を行うモデルが次々と登場し、大規模言語モデル（LLM）は知的労働のあり方を大きく変えた。文章作成、プログラミング、翻訳、調査、企画立案など、多くの仕事で「AIに聞く」という行為が当たり前になりつつある。
しかし、2026年に入り、世界のAI企業が競い始めているのは、もはや「より賢く答えるAI」だけではない。次の主戦場は、AIが現実世界で行動できるようにすることである。
Google DeepMindはGemini Roboticsを発表し、Physical Intelligenceはπシリーズを公開した。NVIDIAはCosmosを「Physical AI Foundation Model」と位置付け、人型ロボット向けの学習基盤を整備している。Figure AIやTeslaも、人型ロボットの実用化へ向けた開発を急速に進めている。
一見すると、それぞれ異なる製品や研究を進めているように見える。しかし、その根底には共通する一つの問題意識がある。
AIに「身体」を与えるにはどうすればよいのか。
これが現在のフィジカルAI（Physical AI）の中心的なテーマである。
ここでいう「身体」とは、人型ロボットだけを指すわけではない。工場で部品を組み立てるロボットアーム、自律搬送ロボット（AMR）、自動運転車、ドローン、さらにはシミュレーション空間で活動するAIエージェントまで含め、「環境を認識し、自ら行動し、その結果によって次の行動を変える存在」すべてを意味する。
この点が、従来のLLMとの本質的な違いである。
「答えを出すAI」と「行動するAI」
LLMの基本構造は驚くほどシンプルである。
ユーザーが質問を入力し、モデルが推論し、文章を出力する。
もちろん内部では数千億個のパラメータが複雑な計算を行っている。しかし、システム全体として見れば、「入力を受け取り、出力を返す」という構造は変わらない。
仮に回答が間違っていたとしても、多くの場合は致命的な問題にはならない。
「東京タワーの高さは？」という質問に誤った数字を返せば、ユーザーはもう一度質問すればよい。コード生成を間違えても修正できる。レポートを書き間違えても書き直せる。
つまり、LLMは基本的に世界を変えない。
AIが生成した答えは画面の中で完結し、その結果によって現実世界が直接変化することはほとんどない。
ところが、ロボットでは事情がまったく異なる。
例えば、ロボットにこう指示したとしよう。
「サツマイモをエアフライヤーに入れて温めて。」
人間にとっては、ごくありふれた日常の一コマである。しかし、この一文にはロボットが解かなければならない膨大な問題が詰め込まれている。
まず、ロボットはサツマイモを見つけなければならない。次にエアフライヤーを認識し、それが調理器具であることを理解する必要がある。さらに、どれが扉で、どれが取っ手で、どれが操作ボタンなのかを識別しなければならない。
しかし、それだけではまだ足りない。
ロボットは、自分がどこまで歩けばよいのかを判断しなければならない。正面から近づくべきか、それとも少し斜めから回り込んだ方が腕を動かしやすいのか。サツマイモはどの角度からつかめば滑り落ちないのか。エアフライヤーの縁にぶつからないためには、どのような軌道で腕を動かせばよいのか。もし途中で人が近づいてきたら、その場で動作を止めるべきなのか。
そして、実際に腕を動かした瞬間から、状況は刻々と変化していく。
腕が10センチ前へ動けば、カメラに映る景色は変わる。サツマイモを持ち上げれば、その位置は変化する。途中で物体が滑れば、予定していた動作はすべて見直さなければならない。
つまり、ロボットでは自分の行動そのものが次の入力を変えてしまう。
ここに、LLMとフィジカルAIとの決定的な違いがある。
フィジカルAIが相手にするのは、「変化し続ける世界」である
AI研究では、しばしば「Open Loop（オープンループ）」と「Closed Loop（クローズドループ）」という言葉が使われる。
LLMは典型的なOpen Loopである。
入力が与えられ、推論を行い、答えを返す。そこで一つの処理は完結する。
一方、フィジカルAIはClosed Loopである。
環境を認識し、行動を決め、身体を動かし、その結果として変化した環境をもう一度認識し、必要なら計画を修正する。この循環を、毎秒何十回、場合によっては何百回も繰り返しながらタスクを遂行していく。
この違いは想像以上に大きい。
画面の中であれば、「間違えたのでやり直します」で済む。しかし、現実世界では、一度落としたコップは割れる。一度人にぶつかれば事故になる。ロボットは「正しく考える」だけでは足りない。「安全に行動する」ことまで含めて知能でなければならないのである。
だからこそ、LLMをそのままロボットへ載せても、すぐに人型ロボットが完成するわけではない。
LLMは「サツマイモを温める」という意味を説明できる。しかし、「肩関節を3度動かし、その0.2秒後に肘を15度曲げ、さらに手首を回転させてグリッパーを閉じる」といった具体的な身体動作は生成できない。
逆に、従来のロボット制御器はミリ秒単位で正確にモーターを制御できるが、「サツマイモを温める」という人間の曖昧な指示を理解することはできない。
言語と身体。その間には、大きな断絶が存在している。
フィジカルAIとは、「知能の分業」である
現在のフィジカルAI研究は、この断絶を一つの巨大なモデルで解決しようとしているわけではない。
むしろ、「知能」を複数の役割へ分解し、それぞれを最適化する方向へ進んでいる。
まず、周囲の環境を見て、人間の指示を理解する能力が必要になる。次に、目的地まで安全に移動し、適切な立ち位置を決める能力が必要になる。さらに、その理解を実際の身体動作へ変換する能力が求められる。そして最後に、その行動によって何が起こるのかを事前に予測し、安全で成功確率の高い選択肢を選ぶ能力が必要になる。
これらが、それぞれVLM（Vision Language Model）、VLN（Vision Language Navigation）、VLA（Vision Language Action）、そして世界モデル（World Model）である。
重要なのは、これらは互いに競合する技術ではないということだ。人間でいえば、目、空間認識、筋肉、そして想像力に相当する機能であり、一つの知能を構成する異なる役割なのである。
2026年のフィジカルAI競争は、「どの企業が最も大きなモデルを作るか」という競争ではなくなりつつある。競われているのは、「現実世界という予測不能な環境の中で、いかに安全に、効率よく、学習しながら行動できるシステムを構築するか」である。
その全体像を理解するためには、まずVLM、VLN、VLA、世界モデルという四つの技術が、それぞれ何を担い、どのように連携しているのかを理解する必要がある。
次章では、その最初のピースとなるVLMから見ていこう。ロボットが身体を動かす以前に、まず「世界を理解する」とはどういうことなのかを掘り下げていく。
第2章 ロボットは、まず「世界」を理解しなければならない
VLMとVLNが担う、「認識」と「移動」の知能
ロボットへ「サツマイモをエアフライヤーで温めて」と指示したとき、多くの人は「その後、どう腕を動かすのか」という点に意識が向くだろう。しかし実際には、ロボットにとって最も難しいのは腕を動かすことではない。
そもそも、自分はいま何を見ているのかを理解することである。
人間は、目の前にある物体をほとんど無意識に認識している。茶色い物体を見れば、それがサツマイモであることが分かる。隣に置かれた調理家電を見れば、それがエアフライヤーであることも理解できる。「サツマイモを温めて」と言われれば、「サツマイモはエアフライヤーの中へ入れるものだ」と考えることも、「扉を開ける必要がある」と推測することも自然にできる。
しかし、ロボットにはそうした「当たり前」が存在しない。
カメラに映っているのは、単なる画素の集合でしかない。そこから「これはサツマイモである」「これは扉である」「これはボタンである」という意味を見いだし、それらを人間の言葉と結び付ける仕組みが必要になる。
その役割を担うのが、VLM（Vision Language Model）である。
VLMとは、「見るAI」ではなく「理解するAI」である
VLMは一般に「画像と言語を統合するモデル」と説明される。しかし、この説明だけでは本質は伝わらない。
重要なのは、VLMが単に画像認識を行っているわけではないということである。
例えば、一枚の画像を見せて「これは何ですか」と質問する。従来の画像認識モデルであれば、「サツマイモ」「机」「エアフライヤー」と物体名を返すことはできる。
しかし、それだけではロボットは何もできない。
ロボットが本当に知りたいのは、「どれが持つべき対象なのか」「どこがつかめるのか」「どれが開閉できる部品なのか」「人間の指示はどの物体を指しているのか」といった、行動につながる意味だからである。
つまり、VLMは「画像を理解するモデル」というよりも、「視覚情報へ意味を与えるモデル」なのである。
この違いは、人間の認知を考えると分かりやすい。
私たちはエアフライヤーを見ると、「黒い箱」ではなく、「食品を温める道具」として認識している。取っ手を見れば「引けば開く」と分かるし、ボタンを見れば「押せば加熱が始まる」と理解している。
見えているのは同じ映像でも、頭の中では物体の機能や用途まで含めて理解している。
VLMが目指しているのも、まさにこの能力である。
「温める」という一言には、多くの常識が含まれている
ここで改めて、「サツマイモを温めて」という指示を考えてみよう。
人間にとっては、きわめて曖昧な一言である。それにもかかわらず、ほとんどの人は迷わず行動できる。
それは、「温める」という言葉の中に、多くの常識を暗黙のうちに補っているからだ。
サツマイモは持ち上げられる物体であり、エアフライヤーの中へ入れる必要がある。入れるためには扉を開けなければならず、最後には加熱ボタンを押さなければならない。
つまり、人間は一つの動詞から、一連の作業工程を自動的に展開している。
ロボットにとって、この飛躍は決して自明ではない。
「温める」という言葉を、「持つ」「運ぶ」「扉を開ける」「中へ入れる」「扉を閉める」「加熱する」という複数のサブタスクへ分解し、それぞれを実行可能な形へ変換しなければならない。
VLMの役割は、まさにここにある。
視覚情報と言語情報を結び付け、人間にとって暗黙知となっている常識を、ロボットが扱える形へ翻訳するのである。
PaLM-Eが変えたもの
フィジカルAIの歴史を振り返ると、VLMが大きく進化する転機となった研究の一つが、Googleが2023年に発表したPaLM-Eである。
PaLM-Eが画期的だったのは、「画像を理解できるようになった」ことではない。
画像だけでなく、ロボット自身の状態まで、大規模言語モデルの入力として扱ったことである。
例えば、ロボットアームの関節角度や手先の位置、センサー情報といった「身体の状態」を、画像やテキストと同じ文脈の中へ取り込んだ。
これは一見、小さな変更に見える。しかし意味は非常に大きい。
従来の画像認識では、「サツマイモが机の上にある」という認識で終わっていた。
しかしPaLM-Eでは、「サツマイモは机の上にあり、自分の腕なら届く位置にある」「現在の姿勢では少し左へ移動した方がつかみやすい」といった、自分自身との関係まで含めて推論できるようになった。
つまり、「世界を見るAI」から、「自分から見た世界を理解するAI」へと進化したのである。
Gemini Roboticsが目指しているもの
2025年から2026年にかけて、この流れをさらに押し進めたのがGoogle DeepMindのGemini Roboticsである。
Gemini Roboticsでは、VLMはもはや画像説明のためのモデルではない。
DeepMindが強調しているのは、「Embodied Reasoning」、すなわち身体を持つAIのための推論能力である。
例えば、机の上にコップと皿が並んでいるとする。
従来のVLMであれば、「コップがあります」「皿があります」と説明できれば十分だった。
しかしGemini Roboticsでは、「コップをつかむなら、この方向から近づくべきだ」「この経路なら皿にぶつからない」「こちら側から持つと滑る可能性が高い」といった、身体の動きを前提とした理解を行う。
つまり、「何があるか」ではなく、「それと自分がどう関わるべきか」を理解する方向へ進化しているのである。
ここまで来ると、VLMは画像認識モデルというより、「ロボットの知覚システム」と呼んだ方が実態に近い。
しかし、世界を理解できても、まだ目的地へは着かない
とはいえ、VLMだけではロボットはタスクを実行できない。
サツマイモとエアフライヤーの位置が分かったとしても、その間にはまだ大きな壁が残っている。
そこまでどうやって移動するのか。
人間は無意識に歩き、立ち位置を決め、作業しやすい場所へ身体を移動させる。しかしロボットにとって、移動は独立した難しい問題である。
ここで登場するのが、VLN（Vision Language Navigation）である。
VLNとは、「地図」を使わないナビゲーションである
VLNを単純に訳せば、「視覚・言語ナビゲーション」となる。
しかし、この名前から一般的なカーナビを想像すると、本質を見誤る。
カーナビは、現在地と目的地の座標が分かっていることを前提としている。
一方、VLNでロボットが受け取るのは、「座標」ではなく、人間の自然な言葉である。
例えば、
「棚の横を通り、流し台の前を抜けて、エアフライヤーの前まで来てください。」
という指示が与えられたとする。
ロボットは、「棚」「流し台」「エアフライヤー」という言葉を、カメラ映像の中に現れる実際の物体と対応付けなければならない。
しかも、ロボットが見ているのは人間のような俯瞰地図ではない。
常に、自分のカメラに映る一人称視点だけである。
歩くたびに景色は変わる。
振り向けば見えるものも変わる。
つまり、VLNは「地図の上で最短経路を探す技術」ではなく、「限られた視界の中で、自分がどこにいるのかを推定しながら移動する技術」なのである。
「歩く」ことは、「考え続ける」ことである
VLNが難しい理由は、移動そのものよりも、「考え続けなければならない」ことにある。
ロボットは、一歩進むたびに景色が変わる。
「あの棚を通り過ぎた」
「エアフライヤーが見えた」
「思ったより左側に障害物がある」
そのたびに、自分の現在位置を更新し、目的地までの経路を修正し続けなければならない。
代表的なベンチマークであるRoom-to-Roomでは、「階段を上り、正面のアーチをくぐり、ピアノを通り過ぎ、廊下の突き当たりに絵画が見えたら右へ曲がる」といった指示が与えられる。
人間には簡単に思えるが、ロボットは言葉を景色へ対応付け、過去の移動履歴を記憶し、条件が満たされた瞬間を判断しながら歩き続けなければならない。
その意味でVLNとは、「移動アルゴリズム」というよりも、「空間の中で思考を続ける知能」なのである。
認識と移動は、すでに一体化し始めている
最近の研究では、VLMとVLNを完全に分離して扱うことは少なくなってきている。
例えばDualVLNでは、大規模モデルがゆっくりと人間の指示を理解し、ランドマークや目的地を決める。一方、小型の制御モデルが高い頻度で周囲を観察しながら障害物を避け、実際の移動を担当する。
つまり、「理解」と「移動」は、一つの知能を異なる時間スケールで分担しているのである。
この考え方は、現在のフィジカルAI全体にも共通している。
大規模モデルは、人間のように考えることは得意である。しかし、ミリ秒単位で姿勢を制御することは苦手である。
逆に、従来型の制御器は高速な制御は得意だが、人間の言葉を理解することはできない。
だからこそ、現実のロボットは「理解する知能」と「動く知能」を役割分担させる方向へ進化している。
しかし、それでもまだロボットは動かない。
世界を理解し、目的地まで移動できたとしても、「腕をどう動かすか」という最後の難題が残っているからである。
その役割を担うのが、次章で取り上げるVLA（Vision Language Action）である。そこでは、言葉と理解がどのようにしてモーター制御へ変換されるのかを見ていく。
第3章 ロボットは、どうやって身体を動かすのか
VLAがつなぐ「理解」と「行動」
ここまで見てきたVLMとVLNによって、ロボットはようやく世界を理解し、自分がどこへ向かうべきかを判断できるようになった。
しかし、それだけでは依然としてロボットは一歩も仕事を進めることができない。
サツマイモの場所は分かった。エアフライヤーの前まで移動することもできた。それでも、サツマイモは机の上に置かれたままである。
人間にとって、「サツマイモを持つ」という動作はほとんど無意識だ。
肩を動かし、肘を曲げ、手首を回転させ、指を閉じる。その一連の運動を、私たちは一つひとつ意識することなく実行している。
しかしロボットには、その「無意識」が存在しない。
ロボットは、「持つ」という一語を理解しただけでは身体を動かせない。「どの関節を、いつ、どれだけ動かすのか」をすべて具体的に決めなければ、モーターは一切動かない。
この「理解」と「身体」の間にある大きな溝を埋める技術が、VLA（Vision Language Action）である。
VLAとは、「動作を生成するAI」ではない
VLAは一般に「Vision Language Action Model」と説明される。
しかし、この説明だけでは本質を捉えきれない。
VLAの役割は、単にロボットの動作を生成することではない。
人間が持つ抽象的な意図を、ロボットが実行できる物理的な運動へ翻訳することである。
例えば、「サツマイモを持ってください」という指示を考えてみよう。
人間なら、その言葉だけで必要な身体動作を思い浮かべることができる。しかしロボットにとって、「持つ」という概念は極めて曖昧である。
サツマイモは上からつかむべきか。それとも横から持つべきか。
指先はどの程度開けばよいのか。
何センチの速度で近づけば滑らないのか。
持ち上げる途中で姿勢を変える必要はあるのか。
こうした細かな判断を積み重ね、最終的にモーターへ送る制御信号へ変換するところまでがVLAの仕事である。
つまりVLAは、「行動を考えるAI」というより、「身体を動かせる形へ翻訳するAI」と言った方が近い。
ロボットが受け取っている情報は、人間が想像するよりはるかに多い
VLAは、「サツマイモを持って」という一文だけを見て動作を決めているわけではない。
実際には、少なくとも四種類の情報を同時に扱っている。
一つ目は、カメラから得られる視覚情報である。机の上に何があり、サツマイモがどこにあり、自分の腕が現在どの位置にあるのかを認識する。
二つ目は、人間から与えられた言語指示である。「サツマイモをエアフライヤーへ入れて温める」というタスクが入力される。
三つ目は、ロボット自身の状態である。各関節の角度、手先の位置、グリッパーが開いているのか閉じているのかといった情報が常に入力される。
そして四つ目は、直前までの履歴である。先ほどサツマイモを見失ったのか、すでに一度つかみ損ねたのか、それとも現在は持ち上げている途中なのか。こうした時間的な文脈も、次の行動を決める上で重要な情報になる。
つまりVLAは、「現在の画像」だけを見て動いているわけではない。世界の状態、自分の身体、人間の意図、過去の行動という四つの情報を統合しながら、次の身体動作を決めているのである。
「持つ」という動作は、一つの動作ではない
人間は「物を持つ」という行為を一つの動作として認識している。
しかしロボットから見ると、それは数百、場合によっては数千回の制御命令の連続である。
例えばサツマイモをつかむだけでも、
まず腕を対象へ近づける。
途中で姿勢を微調整する。
グリッパーを適切な幅まで開く。
最後の数センチでは速度を落とす。
接触を検知した瞬間に指を閉じる。
持ち上げる途中で重心の変化を確認する。
もし滑り始めたら、把持力を調整する。
人間には一瞬に見える動作も、ロボットの内部では膨大な制御ループとして実行されている。
だからこそ、「理解できた」ことと、「実際にできる」ことの間には、大きな隔たりが存在するのである。
Action Tokenという発想
では、AIはこうした身体動作をどのように学習しているのだろうか。
初期のVLA研究では、「動作も言葉のように扱えるのではないか」という発想が生まれた。
代表例がGoogle DeepMindのRT-2である。
RT-2では、ロボットの動作を細かく区切り、一種の「単語」として表現した。
文章を生成するときに単語を一つずつ出力するように、ロボットも動作トークンを一つずつ生成するのである。
このアプローチには大きな利点があった。
既存の大規模言語モデルを、そのままロボットへ応用しやすかったのである。
視覚と言語だけでなく、「動作」まで同じTransformerで扱えるようになり、LLMの知識をロボットへ転用しやすくなった。
OpenVLAも、この考え方を受け継いでいる。
OpenVLAは、モデルだけでなく学習方法やファインチューニング手法までオープンソースとして公開し、多くの研究者が利用できる環境を整えた。
VLAを「オープンな基盤技術」にしようという流れは、ここから一気に加速していく。
しかし、身体は「言葉」ほど単純ではない
一方で、Action Tokenには限界もあった。
言葉は多少曖昧でも意味が伝わる。
しかしロボットでは、わずか数ミリの誤差が失敗につながる。
例えば、グリッパーを閉じるタイミングが0.1秒早いだけでサツマイモを押してしまうかもしれない。
逆に遅ければ、そのまま滑り落ちる。
つまり身体動作は、本質的に連続量なのである。
そこで近年注目されているのが、連続的な動きを直接生成するアプローチである。
DiffusionからFlow Matchingへ
この流れを代表するのが、OctoやDiffusion Policyである。
これらは画像生成AIと同じ拡散モデル（Diffusion）を応用し、「どのような軌道で腕を動かせばよいか」を徐々に生成していく。
拡散モデルは、多様な動きを自然に表現できる反面、何度も推論を繰り返す必要があるため、リアルタイム性では不利になる。
そこで近年急速に注目されているのが、Flow Matchingである。
Physical Intelligenceのπシリーズでは、このFlow Matchingを利用し、連続した動作をより高速かつ滑らかに生成している。
画像生成でもDiffusionからFlow Matchingへ移行が始まっているが、ロボティクスでも同じ変化が起きているのである。
これは偶然ではない。
フィジカルAIでは、画像よりもさらに厳しいリアルタイム性が要求されるからだ。
ロボットは「次の一歩」だけを考えているわけではない
VLAを理解する上でもう一つ重要なのが、「Action Chunk」という考え方である。
人間も歩くたびに毎回「次の一歩だけ」を考えているわけではない。
数歩先までまとめて計画しながら歩いている。
ロボットも同じである。
毎回0.01秒ごとに新しい計画を立てるのではなく、0.5秒から1秒程度の短い動作列を一度に生成する。
これをAction Chunkと呼ぶ。
Action Chunkを利用すると、動作は滑らかになる。
しかし長くしすぎると、新しい状況へ対応できなくなる。
途中で人が近づいても止まれない。
サツマイモが滑っても修正できない。
逆に短すぎると、毎回大規模モデルを動かさなければならず、計算が追いつかない。
つまりVLAは、「滑らかな運動」と「素早い状況対応」という相反する要求の間で常にバランスを取っているのである。
VLAだけでは、まだ足りない
ここまで読むと、「VLAが完成すれば、ロボットは自由に働ける」と思うかもしれない。
しかし実際には、まだ最後のピースが残っている。
VLAは、「どう動くか」は決められる。
しかし、「その動きを選んだ結果、何が起こるか」は分からない。
例えば、三つの動作候補があったとする。
一つは最短距離で腕を伸ばく軌道。
もう一つは少し遠回りだが安全な軌道。
そして最後は、一見効率的だがサツマイモが滑り落ちる可能性が高い軌道。
VLAだけでは、この三つの未来を比較することはできない。
「どの未来を選ぶべきか」という問題は、さらに別の知能が必要になる。
それが、近年フィジカルAI研究で最も注目されている世界モデル（World Model）である。
世界モデルは、ロボットが実際に身体を動かす前に、「その行動を選んだら世界はどう変わるのか」を頭の中でシミュレーションする。
そして、その能力こそが、現在Google DeepMind、Physical Intelligence、NVIDIA、Metaなどが最も力を入れている研究テーマなのである。
第4章 世界モデルは、ロボットに「想像力」を与える
なぜ2026年になって世界モデルが再び注目されているのか
ここまで見てきたVLM、VLN、VLAによって、ロボットはようやく一連のタスクを実行できるようになる。
目の前の世界を理解し、目的地まで移動し、身体を動かす。
しかし、それでもなお一つの根本的な問題が残る。
「その行動は、本当に正しいのか。」
この問いに答えられない限り、ロボットは現実世界で安全に働くことはできない。
再び、「サツマイモをエアフライヤーへ入れる」という例で考えてみよう。
ロボットの前には三つの選択肢がある。
一つ目は、最短距離でまっすぐ腕を伸ばす方法である。
二つ目は、一度腕を持ち上げてから回り込む軌道である。
三つ目は、少し手首を傾け、横から持ち上げる方法である。
この三つの動作は、どれも一見すると実行可能に見える。
しかし実際には、それぞれ異なる未来へつながっている。
最短距離で腕を伸ばせば、エアフライヤーの縁にぶつかるかもしれない。
横からつかめば、サツマイモが滑り落ちる可能性がある。
一度腕を持ち上げる経路は遠回りだが、最も安全に成功するかもしれない。
人間であれば、この程度の判断は無意識のうちに行っている。
私たちは腕を伸ばす前に、「この角度ならぶつからない」「この持ち方なら落とさない」と自然に想像している。
つまり、人間は頭の中で未来をシミュレーションしてから行動しているのである。
ロボットにも、この能力が必要になる。
その役割を担うのが、世界モデル（World Model）である。
世界モデルとは、「未来を生成するAI」ではない
世界モデルという言葉を聞くと、多くの人は「未来の映像を生成するAI」を思い浮かべる。
確かに、そのような研究も存在する。
しかし、それは世界モデルの一部に過ぎない。
世界モデルの本質は、
「行動した結果、世界がどう変化するかを予測すること」
にある。
予測する対象は必ずしも映像ではない。
ロボットの姿勢かもしれない。
物体の位置かもしれない。
タスクの進捗かもしれない。
あるいは、「失敗する確率」だけを予測する場合もある。
重要なのは、「未来をどれだけ美しく描けるか」ではない。
未来の予測が、実際の行動選択に役立つかどうかなのである。
世界モデルが必要になった理由
ここで一つ、素朴な疑問が生まれる。
「実際に動かして試せばいいのではないか。」
この考え方は、シミュレーションを行わない強化学習の初期には広く採用されていた。
ロボットを何度も動かし、失敗を繰り返しながら少しずつ学習していく。
しかし現実世界では、この方法はあまりにも非効率だった。
例えば、ロボットがコップを持つことを学習するとしよう。
100万回失敗すれば、100万回コップを落とすことになる。
人間が毎回コップを拾い直さなければならない。
ロボットのモーターも摩耗する。
部品も壊れる。
何より、時間がかかりすぎる。
ChatGPTがインターネット上の膨大なテキストから学習できたのに対し、ロボットには現実世界で100万回失敗する時間はない。
ここが、フィジカルAIとLLMとの決定的な違いである。
現実世界のデータは、高価なのである。
だからこそ、「実際に失敗する前に、頭の中で失敗できる仕組み」が必要になった。
世界モデルは、そのための技術である。
「現実」ではなく、「想像」の中で学習する
世界モデルが登場したことで、ロボットの学習方法は大きく変わった。
例えば、腕を伸ばす候補が100通りあったとする。
従来であれば、100通りすべて試してみるしかなかった。
しかし世界モデルがあれば、99通りは頭の中で試せる。
衝突しそうな軌道は、その場で捨てればよい。
成功確率の高い軌道だけを現実世界で実行すればよい。
これは、人間の運転にも似ている。
交差点へ進入するとき、私たちはアクセルを踏む前に「このまま行くとぶつかるかもしれない」と予測している。
実際に衝突してから学ぶわけではない。
世界モデルは、この「予測してから行動する」という能力をロボットへ与えるのである。
世界モデルには三つの流れがある
2026年現在、「世界モデル」と一口に言っても、その研究には大きく三つの流れが存在する。
第一は、制御のための世界モデルである。
代表例がDreamerV3やTD-MPC2だ。
これらは、ロボットが現在の状態から未来の状態を予測し、その予測結果を利用して最適な行動を決定する。
ここで重要なのは、未来の映像を生成することではない。
「この行動なら成功する」「この行動では失敗する」という評価を高速に行うことが目的なのである。
いわば、ロボットの「思考エンジン」である。
第二は、未来の状態そのものを学習する世界モデルである。
代表例がMetaのV-JEPA 2である。
V-JEPA 2は、「未来の画像」をそのまま再現することを目指していない。
代わりに、「未来の状態がどのような意味を持つか」という潜在表現だけを予測する。
例えば、「コップを持ち上げた後の画像」を細部まで描く必要はない。
重要なのは、「持ち上がった状態」という意味を理解することである。
これは、人間の想像にも近い。
私たちは未来を映画のように細かく思い描いているわけではない。
「あそこまで歩けば机の前へ着く」
「この角度なら持てそうだ」
という抽象的なイメージを使って行動している。
V-JEPAが目指しているのも、このような「意味の予測」である。
第三は、世界そのものを生成する基盤モデルである。
NVIDIAのCosmosが代表例だ。
Cosmosは、ロボットそのものを制御するモデルというより、「ロボットを育てる世界」を作るモデルである。
現実世界では収集できない膨大な学習データを生成し、ロボットがさまざまな環境で経験を積めるようにする。
これはLLMにおける事前学習データに相当する役割と言ってよい。
NVIDIAがCosmosを重視する理由もここにある。
Physical AIでは、モデル以上にデータが不足している。
だからデータそのものを生成してしまおう、という発想なのである。
世界モデルは「独立したモデル」ではなくなり始めている
興味深いのは、最近の研究では世界モデルが単独で存在しなくなりつつあることである。
Physical Intelligenceのπ0.7では、小型の世界モデルが生成した「次にあるべき視覚状態」をVLAへ与え、動作を誘導している。
NVIDIAのGR00T N1.5でも、未来の潜在状態を学習目標へ組み込むことで、「未来を考えながら動く」方策を学習している。
つまり世界モデルは、
「まず未来を予測し、その後で行動する」
という独立したモジュールではなく、
VLAそのものの中へ溶け込み始めているのである。
これは、フィジカルAI全体の設計思想が変わり始めていることを意味する。
世界モデルの本当の価値は、「映像生成」ではない
2025年以降、動画生成AIの急速な進歩によって、「世界モデル」という言葉は動画生成技術と混同されることも多くなった。
しかし、本質はそこにはない。
世界モデルが評価されるべきなのは、
映像がどれだけリアルかではない。
ロボットがどれだけ失敗しなくなるかである。
候補となる行動を正しく順位付けできるか。
衝突を減らせるか。
タスク成功率を上げられるか。
人との接触を避けられるか。
最終的な評価軸は、すべて現実世界での性能である。
ここが、動画生成AIとの最も大きな違いである。
「理解」「移動」「行動」「予測」は、一つの閉ループになる
ここまでで、VLM、VLN、VLA、世界モデルという四つの技術が揃った。
しかし、これらは決して独立した四つのAIではない。
サツマイモを温めるという一つのタスクの中で、
世界を理解し、
目的地まで移動し、
身体を動かし、
未来を予測し、
再び世界を認識する。
この閉ループを絶えず回し続けることで、初めてロボットは現実世界で働くことができる。
そして2026年の研究開発は、個々のモデル性能を競う段階から、この閉ループ全体をいかに効率よく、安全に回すかという段階へ移り始めている。
次章では、この流れを踏まえ、Google DeepMind、Physical Intelligence、NVIDIAなどの最新システムが、VLM・VLN・VLA・世界モデルをどのように統合しようとしているのかを見ていく。そこから、2026年以降のフィジカルAIの競争軸が見えてくる。
第5章 フィジカルAIは、一つの巨大モデルへ向かうのか
VLM・VLN・VLA・世界モデルは、どのように統合されるのか
ここまで見てきたように、フィジカルAIは大きく四つの能力から構成されている。
VLMは世界を理解する。
VLNは目的地まで移動する。
VLAは身体を動かす。
世界モデルは未来を予測する。
ここまで読むと、多くの人は一つの疑問を持つだろう。
最終的には、この四つを一つの巨大なAIへ統合するのではないか。
実際、LLMの歴史は統合の歴史だった。
かつて画像認識モデル、翻訳モデル、対話モデルは別々に存在していた。しかし現在では、GPTやGeminiのようなマルチモーダルモデルが、それらを一つの基盤モデルへ統合し始めている。
では、フィジカルAIも同じ道を歩むのだろうか。
結論から言えば、そう単純ではない。
むしろ2026年現在の潮流を見ると、「一つの巨大モデル」よりも、「異なる時間スケールで動く知能を組み合わせる」という方向へ進化している。
その理由は、ロボットという存在が極めて特殊だからである。
ロボットには、「考える速度」と「動く速度」がある
人間は普段、この二つを意識しない。
例えばコーヒーカップを持ち上げるとき、「どのくらいの速度で肩を回転させるか」を毎回考えてはいない。
一方で、「今日はマグカップではなく紙コップを使おう」といった判断は数秒かけて行うこともある。
つまり、人間の脳も実は複数の時間スケールで動いている。
ロボットでも事情は同じである。
例えば、「今日はサツマイモを温める」というタスク全体を理解する処理は、数秒かかっても問題ない。
しかし、腕を動かしている最中に手先が1センチずれたことを補正する処理は、数ミリ秒以内に終わらなければならない。
さらに、人が急に近づいてきた場合には、それより速く停止しなければ事故になる。
つまりロボットには、
「考える速度」と「身体を制御する速度」が根本的に違う
という問題がある。
このため、一つのモデルですべてを処理しようとすると、どうしても無理が生じる。
「1000Hzで考えるAI」は現実的ではない
この問題をもう少し具体的に考えてみよう。
現在のLLMは、一回の推論に数百ミリ秒から数秒程度かかる。
チャットであれば、それでも十分実用的である。
しかし、ロボットでは事情が違う。
例えば二足歩行ロボットは、身体のバランスを保つために、およそ1000Hz、つまり1秒間に1000回程度の制御を行うことも珍しくない。
もし1回の判断に1秒かかるAIしか搭載されていなければ、その間にロボットは1000回転倒してしまう。
つまり、LLMの推論速度とロボット制御に必要な速度は三桁以上異なるのである。
このギャップを埋めるため、現在のフィジカルAIでは「役割」と「時間」を分離する設計が主流になっている。
階層型アーキテクチャという考え方
現在の代表的なシステムは、多くが階層型アーキテクチャを採用している。
例えば最上位では、大規模モデルが人間の指示を理解する。
「サツマイモを温める」という曖昧な命令を、「サツマイモを探す」「エアフライヤーへ近づく」「扉を開ける」といったタスクへ分解する。
その下の層では、VLMやVLNが周囲の状況を理解し、どこまで移動すべきかを決定する。
さらに下ではVLAが実際の腕の動きを生成し、最も下層では従来型の制御器がモーターを制御する。
それぞれが異なる速度で動きながら、一つの知能として協調するのである。
これは企業組織にも少し似ている。
経営陣が毎秒経営判断を下すことはない。
一方、現場は秒単位で判断を繰り返している。
経営戦略と現場オペレーションが異なる時間軸で動いているからこそ、組織は効率的に機能する。
フィジカルAIも同じなのである。
Helix 02が示した「時間の分業」
この考え方を象徴するのがFigure AIのHelix 02である。
Helix 02では、知能を三つの時間スケールへ明確に分離している。
最上位では、人間の指示を理解し、何をすべきかを考える。
その下では、全身の姿勢や腕の動きを生成する。
そして最下層では、1000Hzという極めて高速な周期で、バランスや接触、関節制御を行う。
興味深いのは、最も下の層ではLLMはほとんど登場しないことである。
そこでは従来型の制御理論が依然として重要な役割を果たしている。
これは、AIが従来技術を置き換えるのではなく、既存技術の上位に知能を追加していることを意味している。
DualVLNも同じ思想で設計されている
この考え方は、移動を担当するVLNでも同じである。
DualVLNでは、高速で障害物を避けるシステムと、ゆっくりと人間の指示を理解するシステムを分離している。
例えば、
「キッチンへ行ってください。」
という命令を理解することは、高速である必要はない。
しかし、人が突然前へ現れたときには、一瞬で停止しなければならない。
そこで、高レベルのモデルは「どこへ行くか」だけを決める。
一方、実際の歩行や障害物回避は、小型の高速モデルが担当する。
つまり、「理解」と「制御」を切り離しているのである。
世界モデルも独立した存在ではなくなってきた
世界モデルについても、同じ変化が起きている。
初期の研究では、
世界モデルが未来を予測し、
その結果をVLAへ渡し、
VLAが動作を生成する、
という構成が一般的だった。
しかし最近では、この境界が曖昧になり始めている。
Physical Intelligenceのπ0.7では、世界モデルが生成する未来の視覚状態をVLAの学習へ直接組み込んでいる。
NVIDIAのGR00Tでも、未来の潜在表現を利用しながら方策を学習する。
つまり世界モデルは、もはや独立した部品ではない。
VLAの「考え方」そのものへ組み込まれ始めているのである。
これは非常に重要な変化である。
今後、「世界モデル」という名前が表に出なくなる可能性すらある。
しかし、それは世界モデルが不要になることを意味しない。
むしろ逆である。
未来を予測する能力が、ロボット知能そのものへ溶け込んでいくということなのである。
「一つのモデル」より、「一つの閉ループ」
こうした流れを見ると、2026年現在の競争は、「最終的に一つの巨大モデルを作ること」を目指しているわけではないことが分かる。
目指しているのは、一つの閉ループである。
ユーザーが指示を出す。
ロボットが世界を理解する。
目的地まで移動する。
身体を動かす。
その結果を観測する。
未来を予測する。
必要なら計画を修正する。
そして、もう一度動く。
重要なのは、この循環全体が途切れることなく回り続けることである。
VLM、VLN、VLA、世界モデルという名前は、この閉ループを理解しやすくするための概念に過ぎない。
実際のシステムでは、それらは一つのモデルに統合されることもあれば、複数のモデルへ分散されることもある。
重要なのは名前ではない。
認識・理解・予測・行動・学習という知能の循環を、どれだけ効率よく実現できるかなのである。
競争の本質は、「モデル」から「システム」へ移り始めた
LLMの時代には、「どのモデルが最も賢いか」が競争の中心だった。
しかしフィジカルAIでは、その問いだけでは不十分である。
どれほど優れたVLMを持っていても、動作生成が遅ければ意味がない。
どれほど賢い世界モデルを持っていても、安全制御が不十分なら実用にはならない。
つまり競争の対象は、モデル単体ではなく、システム全体へ移り始めている。
これは、自動車産業にもよく似ている。
エンジンだけが優れていても、良い車にはならない。
ブレーキ、サスペンション、制御ソフトウェア、安全装置が一体となって初めて、高性能な自動車になる。
フィジカルAIも同様に、複数の知能を統合した「システム設計」が競争力の源泉になりつつあるのである。
次章では、この流れを踏まえ、2026年のフィジカルAI研究で特に注目されている10の技術トレンドを取り上げる。そこから見えてくるのは、「より大きなモデル」を目指す競争ではなく、「より現実世界へ適応した知能」を目指す競争への転換である。
第6章 2026年、フィジカルAI研究はどこへ向かうのか
「モデルを大きくする競争」は終わり、「現実世界で働く知能」の競争が始まった
2023年から2025年にかけてのAI業界を振り返ると、競争の中心は極めて分かりやすかった。
モデルを大きくすること。
より多くのデータで学習すること。
より長い文脈を扱うこと。
より複雑な推論を実現すること。
もちろん現在でも、それらは重要な研究テーマである。しかし、2026年のフィジカルAIを見ると、論文や企業の発表で繰り返し現れるキーワードは以前とは明らかに変わっている。
いま競われているのは、「どれだけ大きなモデルを作れるか」ではない。
どれだけ現実世界で動かせる知能を作れるかである。
この変化を最もよく表しているのが、現在の研究トレンドである。
第一の変化は、「考える知能」と「動く知能」の分離である
人間は、すべてのことを同じ速度で考えているわけではない。
レストランでメニューを選ぶときには数分考えることもある。
一方で、階段を踏み外しそうになった瞬間には、考えるより先に身体が反応する。
つまり、人間の知能には複数の時間スケールが存在している。
フィジカルAIも同じ方向へ進み始めている。
Helix 02やDualVLNが示したように、高度な意味理解やタスク計画は比較的ゆっくり行い、身体の制御はミリ秒単位で高速に実行する。
これは単なる実装上の工夫ではない。
ロボットという存在が、異なる速度で動く複数の知能を必要としていることを意味している。
今後、「一つの巨大モデルですべてを処理する」という発想は、むしろ例外になっていく可能性が高い。
第二の変化は、「考える回数」を減らすことである
LLMでは、「もっと推論させる」ことが性能向上につながった。
Chain of Thoughtは、その代表例である。
途中の思考過程を書き出すことで、数学や論理推論の性能は大きく向上した。
しかしロボットでは事情が異なる。
歩くたびに数秒間考え込むロボットは実用にならない。
そこで近年注目されているのが、「必要なときだけ深く考える」という考え方である。
Fast-ThinkActのような研究は、長い推論を毎回行うのではなく、重要な局面だけで集中的に計算し、それ以外は圧縮した内部表現を利用することを目指している。
これは人間にも近い。
私たちは歩くたびに「右足を何センチ前へ出そう」と考えてはいない。
普段は無意識に行動し、本当に難しい場面だけ立ち止まって考える。
フィジカルAIも同じ方向へ進化し始めている。
第三の変化は、「クラウドのAI」から「ロボットのAI」への転換である
ChatGPTを使うとき、私たちはほとんどクラウドを意識しない。
ネットワークがつながっていれば、高性能なモデルを利用できる。
しかしロボットでは、この前提が崩れる。
工場でも、物流倉庫でも、建設現場でも、通信が常に安定しているとは限らない。
仮に通信があったとしても、往復の遅延だけで数百ミリ秒かかることもある。
人が急に近づいたとき、「クラウドへ問い合わせてから止まる」というわけにはいかない。
そのため、近年はGemini Robotics On-Deviceのように、大規模モデルをロボット本体で動かす研究が急速に進んでいる。
もっとも、現時点ではオンデバイス化にも課題は多い。
ロボットにはデータセンターのようなGPUを積めない。
消費電力にも制約がある。
つまり、今後の競争は「モデルを大きくすること」だけではなく、「限られた計算資源でどこまで知能を実現できるか」という方向へ移っていく。
第四の変化は、「ロボットごとに学ぶ」から「知識を共有する」への転換である
現在のロボットは、多くの場合、機種ごとに個別の学習が必要である。
単腕ロボットで学習したモデルを、そのまま双腕ロボットへ移植することはできない。
人型ロボットへ載せ替えることも難しい。
しかし、人間は違う。
右手でも左手でも、ある程度は同じようにコップを持てる。
スポーツカーを運転できる人は、軽自動車でも基本的には運転できる。
身体は違っても、「タスクに関する知識」は共有されているのである。
π0.7やGR00T N1.6が目指しているのは、このような知識の共有である。
もちろん、完全に同じ動作を再利用できるわけではない。
関節構造も自由度も異なる以上、最後にはロボットごとの適応が必要になる。
しかし、「サツマイモを持つとはどういうことか」という概念まで毎回学び直す必要はなくなる。
ここでも、知能の共通化が始まりつつある。
第五の変化は、「動作生成」から「世界と一緒に考える」への進化である
VLAは、「観測から動作を生成する」モデルだった。
しかし最近では、「動作」と「環境変化」を同時に考えるモデルが登場し始めている。
その代表例が、World Action Modelという考え方である。
MotuBrainなどの研究では、「ロボットがどう動くか」と「その結果、世界がどう変わるか」を同時に学習する。
これは世界モデルとVLAの境界が曖昧になり始めていることを意味している。
従来は、
未来を予測し、
その後で動作を決める、
という二段階だった。
今後は、
未来を予測しながら動作を生成する、
という一体型の知能へ進化していく可能性が高い。
第六の変化は、「歩く」と「作業する」が一つの問題になったことである
これまでロボティクスでは、「移動」と「マニピュレーション」は別々の研究分野だった。
歩くロボット。
物をつかむロボット。
それぞれ独立して発展してきた。
しかし現実の仕事では、この二つは切り離せない。
倉庫で荷物を運ぶなら、
歩いて、
荷物を持ち、
向きを変え、
棚へ置く。
この一連の流れを一つのタスクとして実現しなければならない。
ABot-M0.5やHelix 02が注目される理由もここにある。
フィジカルAIは、「歩けるか」「持てるか」を競う段階から、「一つの仕事を最後までやり遂げられるか」を競う段階へ入り始めている。
第七の変化は、「データを集める」から「データを作る」への転換である
LLMは、インターネットという巨大な教師を持っていた。
一方、ロボットにはインターネットが存在しない。
世界中の人がロボットアームを毎日操作しているわけではないからである。
そのため、Physical AI最大のボトルネックはデータ不足だった。
ここで注目されているのが、DreamGenやCosmosのような世界モデルである。
現実世界でデータを集めるのではなく、シミュレーション環境そのものを生成し、その中でロボットを何百万回も学習させる。
これは、自動運転でシミュレーターが重要になった流れとも共通している。
今後、「世界モデルを持つ企業」は、「学習データを作れる企業」でもある。
ここが極めて大きな競争優位になる可能性がある。
第八の変化は、「人から学ぶ」から「自分で学ぶ」への進化である
これまでロボットは、人間のデモンストレーションを模倣することで学習してきた。
しかし、現実世界では人間がすべてを教え続けることはできない。
最近では、実際にロボットが経験した失敗や修正履歴を、そのまま学習へ戻す研究が進んでいる。
一度失敗したことは、次は失敗しない。
人間なら当然のこの能力が、ようやくロボットにも入り始めている。
第九の変化は、「長期記憶」が知能の一部になり始めたことである
ロボットは、目の前だけ見ていればよいわけではない。
五秒前にどこへ置いたか。
十分前にどの部屋を掃除したか。
一時間前にどの棚を整理したか。
こうした時間をまたいだ記憶が必要になる。
最近では、短期記憶と長期記憶を分けて扱う研究が増えている。
重要なのは、「すべてを覚えること」ではない。
何を忘れ、何を覚えておくべきか。
そこまで含めて知能になり始めている。
第十の変化は、「見る」から「感じる」への進化である
人間は目だけで作業しているわけではない。
コップを持つときには重さを感じる。
ドアノブを回すときには抵抗を感じる。
ネジを締めるときには力加減を調整する。
ロボットも同じ方向へ進み始めている。
ActiveVLAでは、自ら視点を変えて見やすい位置へ移動する。
ForceVLA2では、触覚や力覚を利用し、接触を伴う作業を学習する。
つまり、知能は「見る能力」だけでは完成しない。
身体を通して世界を感じる能力まで含めて、初めて現実世界へ適応できるようになるのである。
すべての研究テーマは、一つの問いへ収束している
ここまで見てきた十のトレンドは、一見すると別々の研究に見える。
しかし、その根底には一つの共通した問いが流れている。
「ロボットを、現実世界で長時間、安全に、自律的に働かせるにはどうすればよいか。」
推論の高速化も、
オンデバイス化も、
世界モデルも、
経験学習も、
長期記憶も、
触覚も、
すべてこの問いに対する異なるアプローチなのである。
2026年現在、フィジカルAIはまだ発展途上にある。
しかし競争の方向性は、かなり明確になってきた。
競われているのは、単一のモデルではない。
単一のロボットでもない。
「認識し、理解し、予測し、行動し、学び続ける」という知能の循環全体である。
そして、この循環を最も効率よく回せる企業が、次の時代のフィジカルAIをリードしていくことになるだろう。
（次章・最終章では、「Google DeepMind、NVIDIA、Physical Intelligence、Figure AIは何を競っているのか」、そして「日本企業にとってフィジカルAIはどのような意味を持つのか」を、技術と産業の両面から考察する。）
第7章 フィジカルAIは、誰が勝つのか
Google、NVIDIA、Physical Intelligence、Figure AIは何を競っているのか
ここまで読んできた読者であれば、一つの疑問が浮かぶはずである。
VLM、VLN、VLA、世界モデルという技術スタックが見えてきたとして、結局のところ、Google DeepMind、NVIDIA、Physical Intelligence、Figure AI、Teslaは何を競っているのだろうか。
ニュースだけを追っていると、「新しいモデルが発表された」「ロボットがコーヒーを淹れた」「動画生成AIが進化した」といった個別の出来事ばかりが目に入る。しかし、それぞれの発表を並べてみると、実は各社が競っているポイントは驚くほど明確である。
競争の本質は、「誰が最も賢いAIを作れるか」ではない。
誰が、現実世界を最も効率よく学習できるシステムを構築できるか。
その一点に収束し始めている。
ChatGPT時代は、「知識」が競争力だった
LLMの時代、最も重要だった資産は何だっただろうか。
GPUだろうか。
アルゴリズムだろうか。
もちろん、それらも重要だった。しかし最終的に競争力を決めたのは、「どれだけ質の高いデータを持っているか」である。
インターネットには膨大な文章が存在する。
書籍もあれば、ニュースもある。Wikipediaもある。
だからLLMは、大量の教師データを使って学習できた。
ここでは、「知識」が最も重要な資産だった。
ところがフィジカルAIでは、この前提が成立しない。
現実世界には、「ロボット版インターネット」が存在しない
インターネットには、人類が書き残した文章が何十年分も蓄積されている。
しかし、「ロボットが棚から箱を取り出す動画」が何兆件も存在するわけではない。
まして、「人型ロボットが家庭で一年間生活した記録」など、ほとんど存在しない。
つまり、フィジカルAI最大のボトルネックは、データ不足なのである。
これはLLMとは決定的に異なる。
ChatGPTは「世界中の知識」を学習できた。
しかしフィジカルAIは、「世界中の経験」を学習できない。
だから各社は、「経験をどう集めるか」という競争を始めている。
Google DeepMindが持つ強み
Google DeepMindの強みは、言うまでもなく基盤モデルである。
Geminiは世界最高水準のマルチモーダルモデルの一つであり、画像、動画、音声、コード、自然言語を一つのモデルで扱える。
Gemini Roboticsでも、その強みは色濃く反映されている。
Googleが目指しているのは、「人間の指示を理解できるロボット」である。
単にコップを持てるだけではない。
「キッチンを片付けて」
「今日は来客があるからテーブルを整えて」
「危ないので子どもには近づかないで」
こうした曖昧で文脈依存の指示を理解できることが重要になる。
Googleの競争力は、世界理解と言語理解にある。
つまりVLMを中心とした「認知能力」である。
しかし、それだけではロボットは完成しない。
NVIDIAは「ロボットを育てる会社」になろうとしている
NVIDIAを見ると、多くの人はGPUメーカーという印象を持つ。
しかしCosmosを見れば、その戦略は大きく変わっていることが分かる。
NVIDIAが作ろうとしているのは、ロボットそのものではない。
ロボットを学習させるための世界である。
Cosmosが重視しているのは、動画生成ではない。
シミュレーション環境である。
現実世界で100万回ロボットを失敗させる代わりに、仮想世界で100万回失敗させる。
現実では収集できないデータを生成する。
現実では危険な作業を、安全なシミュレーション環境で学習させる。
これは、自動運転におけるデジタルツインと極めて近い発想である。
NVIDIAは、「最も賢いロボット」を作ろうとしているのではない。
世界中の企業がロボットを育てられる基盤を作ろうとしているのである。
GPU、Omniverse、Isaac、Cosmosは、そのための一つのエコシステムとして設計されている。
Physical Intelligenceは、「ロボット版GPT」を目指している
一方、Physical Intelligenceのアプローチはさらに興味深い。
πシリーズを見ると分かるように、彼らが目指しているのは、個別タスクに最適化されたモデルではない。
一つのモデルで、
洗濯物を畳み、
コップを持ち、
食器を片付け、
箱を運び、
掃除をする。
こうした幅広い作業へ対応できる「汎用ロボット知能」である。
これはLLMにおけるFoundation Modelと極めて近い思想である。
重要なのは、「新しい作業を学ぶたびに、新しいモデルを作らない」ことである。
同じ基盤モデルを利用しながら、さまざまなタスクへ適応していく。
この意味でPhysical Intelligenceは、「ロボット版GPT」を作ろうとしていると言ってよい。
Figure AIは、「知能」ではなく「製品」を作っている
Figure AIは少し立ち位置が異なる。
Helixの発表を見ても分かるように、彼らはAIモデル単体ではなく、実際に働く人型ロボットを最終成果物としている。
そのため、Helixでは推論だけでなく、歩行、バランス、双腕操作、安全制御まで含めた全体最適が重視されている。
これは、自動車メーカーがエンジンだけを作っているわけではないのと同じである。
Figure AIにとって重要なのは、「世界最高のVLM」を持つことではない。
工場や物流倉庫で、一日中止まらず働けるロボットを実現することである。
つまり、Figure AIの競争相手はAI企業だけではない。
ABBやFANUC、安川電機のような産業用ロボットメーカーとも競合し始めている。
Teslaの強みは、「現実世界」そのものにある
Teslaも、やや異なる戦略を取っている。
Tesla Optimusが注目される理由は、人型ロボットそのものではない。
Teslaが持つ最大の資産は、自動車から毎日収集される膨大な実世界データである。
道路を走る車は、毎日世界中で何百万時間もの現実世界を観測している。
これは「人間がどう動くか」「物体がどう動くか」「危険がどこにあるか」という巨大なデータセットでもある。
フィジカルAIでは、実世界データそのものが競争力になる。
この点でTeslaは非常に強い立場にいる。
結局、各社が取りに行っているものは違う
ここまで見てくると、各社は同じフィジカルAIという言葉を使いながらも、狙っている競争優位は異なることが分かる。
Google DeepMindは「世界を理解する知能」を磨いている。
NVIDIAは「世界を学習する基盤」を作っている。
Physical Intelligenceは「汎用ロボット知能」を目指している。
Figure AIは「現実に働く製品」を作っている。
Teslaは「実世界データ」という資産を武器にしている。
つまり、競争している場所が違うのである。
これは、インターネット初期にも似ている。
Googleは検索を作った。
AmazonはECを作った。
MicrosoftはOSを作った。
Ciscoはネットワークを作った。
全員がインターネット企業だったが、競争しているレイヤーは違っていた。
フィジカルAIも、同じ構造になり始めている。
日本企業にとって、本当の競争領域はどこにあるのか
ここで、日本企業についても考えてみたい。
日本は「AIで遅れている」という議論がよく聞かれる。
しかし、フィジカルAIでは見方が少し変わる。
なぜなら、フィジカルAIはソフトウェアだけでは成立しないからである。
ロボット本体。
アクチュエータ。
減速機。
力覚センサー。
カメラ。
産業機械。
工場。
物流。
これらはすべて、フィジカルAIを構成する重要な要素になる。
さらに、日本企業は世界有数の製造現場を持っている。
つまり、「現実世界でロボットを学習させる場所」を持っているのである。
これは、LLM時代には存在しなかった競争力である。
「実世界」が、新しいプラットフォームになる
インターネット時代、プラットフォームはWebだった。
スマートフォン時代、プラットフォームはアプリストアだった。
LLM時代、プラットフォームは知識だった。
では、フィジカルAI時代は何がプラットフォームになるのか。
筆者は、その答えは「実世界」だと考えている。
どれだけ多様な環境を持っているか。
どれだけ多くの実作業データを持っているか。
どれだけ安全にロボットを学習させられるか。
これらが、新しい競争力になる。
だからこそ、自動車会社も、物流会社も、建設会社も、製造業も、商社も、この競争の当事者になり得る。
フィジカルAIはロボット産業だけの話ではない。
現実世界そのものが、新しい計算資源になる時代が始まりつつあるのである。
おわりに 「知識」から「経験」へ
ChatGPTが世界を変えた理由は、人類が蓄積してきた知識をAIが利用できるようになったからである。
フィジカルAIが世界を変えるとすれば、その理由は別のところにある。
それは、AIが知識だけでなく、経験を獲得できるようになるからだ。
見て、考え、動き、失敗し、学び直す。
この循環を何百万回、何千万回と繰り返した先に、初めて「現実世界で働く知能」が生まれる。
VLM、VLN、VLA、世界モデルは、そのための個別技術ではない。
それらは、人間で言えば「目」「空間認識」「筋肉」「想像力」に相当する、一つの知能を構成する要素である。
そして2026年、世界の競争は「最も大きなモデルを作ること」から、「最も多くの経験を獲得し、最も安全に現実世界で学び続けられるシステムを構築すること」へと、静かに軸足を移し始めている。
フィジカルAIの本質とは、ロボットに身体を与えることではない。
現実世界を、AIが学習し続ける対象へ変えること。
その挑戦は、まだ始まったばかりなのである。
