Physical AIとは何か｜AIインフラの地図を読む 第30回

第4部｜AI需要はどこに流れるのか

AIは、画面の中から現実世界へ出る

第29回では、AI PCとオンデバイスAIを見ました。

そこで確認したのは、AIがPC側へ移るからといって、データセンター需要が単純に消えるわけではない、ということでした。

軽い推論は端末側へ移る。
重い推論、学習、同期、企業データ処理、長時間のエージェント処理はクラウド側に残る。
端末側AIが増えれば、AIを使う場所が増え、利用総量も増える。

第30回では、視点をもう一段外へ出します。

PCの次に見るのは、車、ロボット、カメラ、工場、倉庫、道路です。

ここから先のAIは、画面の中だけで完結しません。

現実世界を見る。
現実世界を理解する。
現実世界で判断する。
現実世界で動く。
その結果をデータとして戻し、次のモデル改善に使う。

これが、第4部で読む Physical AI です。

NVIDIAの定義では、Physical AIは、カメラ、ロボット、自動運転車のような自律システムが、物理世界を知覚し、理解し、推論し、複雑な行動を実行・統合するAIです。(NVIDIA)

この定義で見ると、Physical AIはヒューマノイドだけではありません。

自動運転。
産業用ロボット。
倉庫自動化。
カメラとセンサー。
スマートファクトリー。
工場内搬送。
医療ロボット。
ドローン。
車載AI。
エッジ推論。

これらは、すべてPhysical AIの範囲に入ります。

Physical AIは、ヒューマノイドだけで読まない

Physical AIという言葉は、すぐにヒューマノイドへ寄ります。

人型ロボット。
二足歩行。
工場で作業する映像。
倉庫で箱を運ぶ映像。
人間のように動くデモ。

見た目は分かりやすい。

しかし、投資家としては、ここで止まると危ないです。

Physical AIの本体は、人型かどうかではありません。
現実世界をデータ化し、判断し、行動に変える仕組みです。

人型ロボットは、その一形態です。

むしろ、最初に業績へ出やすいのは、人型ロボットではない可能性があります。

自動運転車。
工場自動化。
倉庫ロボット。
協働ロボット。
画像検査。
センサー。
車載カメラ。
産業用カメラ。
エッジAI端末。
ロボット向け半導体。
シミュレーション基盤。

こちらの方が、先に売上、受注、粗利率に出る可能性があります。

だから、Physical AIは「ロボット株」ではなく、現実世界AIのスタックとして読みます。

Physical AIは、デジタル空間ではなく現実世界を扱う

クラウドAIは、主にデジタルデータを扱います。

テキスト。
画像。
音声。
動画。
コード。
業務文書。
検索結果。
社内データ。

もちろん、これだけでも計算資源需要は大きい。

しかしPhysical AIは、扱う対象が違います。

道路。
車線。
信号。
歩行者。
自転車。
工場内の部品。
倉庫内の棚。
人の動き。
機械の動き。
照明。
影。
雨。
雪。
障害物。
予期しない動き。

ここでは、AIの失敗が画面上の誤回答では済みません。

車なら事故になる。
ロボットなら人や設備に接触する。
工場ならラインが止まる。
倉庫なら物流が詰まる。
医療なら安全性と規制の問題になる。

つまりPhysical AIは、単に「AIを現実世界に持ち出す」話ではありません。

安全性。
遅延。
電力。
センサー。
モデル更新。
規制。
責任。
量産。
保守。

この全部が絡みます。

ここが、生成AIアプリと違います。

Physical AIの循環

Physical AIは、一回モデルを作って終わるものではありません。

循環で見ます。

現実世界をセンサーで取り込む。
カメラ、LiDAR、レーダー、マイク、IMU、GPS、地図、作業ログを集める。

そのデータを使って、モデルを学習する。
現実データだけで足りなければ、シミュレーションや合成データも使う。

学習したモデルを、車やロボットや工場設備に配る。
端末側でリアルタイムに推論する。
判断する。
動く。

動いた結果を、またデータとして戻す。
失敗例、危険場面、例外処理、環境変化を集める。

そのデータで、またモデルを改善する。

この循環が強い企業ほど、Physical AIで強くなります。

単にロボットを作っているだけでは足りません。
単にAIモデルを持っているだけでも足りません。
単にセンサーを売っているだけでも足りません。

現実世界のデータ。
学習計算基盤。
シミュレーション。
端末側推論。
量産端末。
モデル更新。
安全性。
商用利用。

このつながりを持てるかどうかです。

Physical AIは、データセンター需要を消すのか

ここも第4部の重要な問いです。

AIが車やロボット側で動くなら、データセンター需要は減るのか。

私は、単純には減らないと見ます。
理由は、AI PCのときと同じです。

端末側へ移る処理はあります。
リアルタイム判断は、車やロボットの中で処理する必要があります。
通信遅延に頼れないからです。

自動運転車が、交差点でクラウド応答を待つわけにはいきません。
工場ロボットが、人の接近を検知してからクラウドに問い合わせるわけにはいきません。
倉庫ロボットが、棚の前で毎回データセンター判断を待つわけにはいきません。

したがって、Physical AIではエッジ推論が重要になります。

ただし、それはデータセンター不要論ではありません。

学習はクラウド側に残ります。
シミュレーションもクラウド側に残ります。
大量の動画データ処理も残ります。
モデル更新も残ります。
フリート全体のデータ集約も残ります。
安全性検証も残ります。
合成データ生成も残ります。

つまり、Physical AIは、

端末側推論を増やす。
同時に、クラウド側の学習、検証、シミュレーション需要も増やす。

この形になりやすい。

ここを間違えると、Physical AIを「データセンター需要の代替」と読んでしまいます。
Physical AIは、AI需要の発生場所を現実世界へ広げるものです。

Physical AIで増える需要

Physical AIが広がると、需要は一方向には出ません。

まず、センサーが必要になります。

カメラ。
画像センサー。
レーダー。
LiDAR。
マイク。
位置情報。
工場内センサー。
検査装置。

次に、端末側の計算資源が必要になります。

車載SoC。
ロボット向けAIチップ。
エッジGPU。
NPU。
メモリ。
SSD。
低消費電力推論チップ。

さらに、クラウド側の計算資源も必要になります。

学習用GPU。
シミュレーション用GPU。
合成データ生成。
世界モデル。
安全性検証。
ログ解析。
モデル更新。

通信も必要になります。

車両からのデータ回収。
工場内ネットワーク。
倉庫内通信。
5G。
Wi-Fi。
衛星通信。
光接続。
データセンター間接続。

ストレージも必要になります。

走行動画。
センサーログ。
工場ログ。
ロボット操作ログ。
学習データ。
失敗データ。
シミュレーションデータ。

Physical AIは、半導体だけの話ではありません。

センサー、計算資源、ストレージ、通信、電力、ソフトウェア、安全性、規制がつながる投資テーマです。

投資家として見る企業群

Physical AIを見るとき、企業をロボット会社だけに絞りません。

まず、AI計算基盤があります。

NVIDIA。
GPU、ロボット向け計算基盤、シミュレーション、エッジAI、車載AI。
Physical AIのインフラ側にいます。

次に、車と自動運転があります。

Tesla。
Waymoを持つAlphabet。
Mobileye。
車載半導体企業。
地図、センサー、運転データを持つ企業。

次に、ロボットと自動化があります。

Tesla。
Teradyne。
Symbotic。
FANUC。
安川電機。
協働ロボット、産業用ロボット、倉庫自動化、搬送ロボットを見ます。

次に、センサーと画像処理があります。

Sony。
キーエンス。
産業用カメラ、画像センサー、検査、計測を見ます。

次に、ストレージと通信があります。

キオクシア。
光接続。
ネットワーク機器。
データセンター。
エッジ通信。
衛星通信。
SpaceX。

この中で、どの企業が本当に業績に反映させているかを見る必要があります。

映像が派手でも、売上に出ていないなら仮説です。
受注が増えているなら一段進んでいます。
粗利率とFCFに出ているなら、さらに強いです。

Teslaは、Physical AIの代表例として見る

Teslaは、Physical AIを考えるうえで重要です。

Teslaを代表例にする理由は、現実世界AIの循環に近い位置にいるからです。

Teslaは車を売る。
その車にFSDを配る。
車が現実世界を走る。
走行データが戻る。
戻ったデータでモデルを改善する。
改善したモデルをまた車に配る。
その延長にRobotaxiを置く。
さらに、Optimusを人間の作業空間に入れようとしている。

この構造は、Physical AIの説明に向いています。

ただし、ここで線引きします。

Teslaは、すでにRobotaxi売上やOptimus売上で会社を説明できる段階ではありません。
足元の会社を支えているのは、Automotive、Energy、Services、粗利率、営業利益、FCFです。

つまり、Teslaは「すでにPhysical AI売上企業」ではありません。

現時点では、

EV事業を土台に、
FSD、Robotaxi、Optimus、AI計算基盤を重ねているPhysical AI候補企業。

この位置づけです。

ここを取り違えると、Teslaを読み間違えます。

Teslaの詳細は、次回以降に回します。
第30回では、TeslaをPhysical AI全体の代表例として置くにとどめます。

SpaceXは、Physical AIの通信・データ回収レイヤーとして見る

SpaceXは、Physical AIそのものを動かす企業ではありません。
しかし、Starlinkを通じて、Physical AIの通信・データ回収レイヤーに入ります。
SpaceX自身も、2026年6月のIPO完了リリースで、自社を宇宙、接続、AIにまたがる統合ハードウェア・ソフトウェアインフラ企業として説明しています。(SpaceX)

Starlinkは、地上回線が弱い場所にも通信を伸ばします。
Direct to Cellは、通常のスマートフォンや将来のIoT端末を衛星につなぎます。
Starshieldは、政府・安全保障向けに、通信、観測、データ処理を重ねます。(SpaceX)
これは、通信だけでなく、現実世界データ、観測、安全保障が重なる領域です。

車、ロボット、ドローン、センサー、遠隔拠点、災害地域、防衛関連施設でAI端末が増えるほど、地上通信だけでは足りない場所が出ます。

山間部。
海上。
砂漠。
鉱山。
農地。
災害地域。
軍事・政府用途。
遠隔インフラ。

こうした場所では、Physical AIの端末が増えても、通信がなければデータ循環が成立しません。

Physical AIでは、端末側で判断し、クラウド側で学習し、モデルを更新し、また端末へ配る循環が必要になります。
この循環のうち、データを戻す、遠隔で監視する、モデルを配る、地上網が弱い場所をつなぐ部分で、Starlinkとの親和性が出ます。

ただし、自動運転車やロボットの瞬間判断をStarlinkに任せるわけではありません。
交差点でのブレーキ判断、人との接触回避、工場ロボットの停止判断は、端末側で処理しなければなりません。

Starlinkが効くのは、リアルタイム制御そのものではありません。

データ回収。
遠隔監視。
ソフトウェア更新。
地図更新。
異常時通信。
遠隔地のAI端末接続。
災害時・地上網停止時のバックアップ。
政府・防衛用途の安全な通信。

このレイヤーです。

ただし、SpaceXはTeslaとは違う。
Teslaは、車両、FSD、Robotaxi、Optimusを通じて、現実世界でAIを動かす側です。
SpaceXは、StarlinkとStarshieldを通じて、現実世界AIをつなぐ側です。

つまり、Physical AIの実行層がTeslaなら、通信・接続層の重要候補がSpaceXです。

したがって、第30回ではSpaceXをPhysical AIの通信・データ回収レイヤーの中核候補として置きます。
詳細は、次のSpaceX回で、Starlink、xAI、AIデータセンター、打上げ事業、衛星通信を分けて読みます。

最後は、数字に戻して読む

Physical AIは、映像で見ると分かりやすいです。

自動運転車が走る。
ロボットが歩く。
工場で機械が動く。
倉庫でロボットが荷物を運ぶ。
衛星通信で遠隔地がつながる。

ただし、投資家として見るなら、最後は数字に戻す必要があります。

自動運転なら、走行距離、介入率、安全性、有料利用、対象地域を見る。
ロボットなら、出荷台数、導入拠点、受注、保守、粗利率を見る。
センサーなら、車載向け、産業向け、高付加価値品比率を見る。
AI計算基盤なら、GPU、エッジAI、車載SoC、シミュレーション需要を見る。
通信なら、Starlink加入者数、通信容量、Direct to Cell、政府・防衛契約を見る。
ストレージなら、走行動画、センサーログ、学習データ、SSD需要を見る。

最後に見るのは、いつも同じです。

売上。
受注。
粗利率。
営業利益率。
FCF。
CapEx。
R&D。

Physical AIは、夢が大きい。
だからこそ、映像ではなく、数字に戻して読みます。

Physical AIをどう読むか

Physical AIは、まだ一つの完成した市場ではありません。
自動運転、ロボット、工場自動化、倉庫自動化、センサー、車載AI、エッジAI、シミュレーション、ストレージ、通信が、それぞれ別の速度で進んでいます。

だから、Physical AIを一つのテーマ株として扱う、という読み方は粗いです。

見るべきなのは、どの企業がどのレイヤーにいるかです。

現実世界データを持つ企業。
端末を持つ企業。
センサーを持つ企業。
ロボットを量産できる企業。
シミュレーション基盤を持つ企業。
クラウド計算資源を売る企業。
ストレージと通信で支える企業。
安全性と規制を越えられる企業。

Physical AIは、データセンター需要を消すものではありません。
AI需要を、車、ロボット、工場、倉庫、センサーへ広げるものです。
そのとき、端末側AIだけでなく、データを戻す通信も重要になります。
この点で、SpaceX / Starlinkは、Physical AIの外縁ではなく、通信・データ回収レイヤーの重要企業として見る必要があります。

第30回では、ここまでを私の投資資料として残します。

次に見るのは、Teslaです。

Teslaは、Physical AIの中で最も分かりやすい代表例の一つです。
ただし、Teslaを読むときも、RobotaxiやOptimusの物語から入りません。
EV事業、FSD、AI計算基盤、Energy、FCFの順で確認します。

参考｜Physical AIで見る企業群

Physical AIを見るときは、企業をロボット会社だけに絞らない。

現実世界を取り込むセンサー。
端末側で判断する計算資源。
クラウド側で学習・シミュレーションする計算資源。
現実世界の端末をつなぐ通信。
走行動画、センサーログ、学習データを保存するストレージ。

この5つに分けて見る。

センサー

Physical AIの入口は、現実世界を取り込むセンサーです。

代表企業は、Sony、キーエンス、onsemi、Cognex、Ousterです。

Sonyは、車載向けCMOSイメージセンサーを持ち、HDR、LEDフリッカー抑制などを通じてADASや自動運転向けの画像取得に関係します。キーエンスは、センサー、画像処理、計測、バーコード、PLCなど、工場側の現実世界データを取る企業です。onsemiは、ADAS向けの自動車用画像センサーを持ちます。Cognexは、マシンビジョンと産業用バーコード認識。Ousterは、車両、ロボット、スマートシティ向けのLiDARです。

ここで見るのは、センサーが単体で売れるかだけではない。
車載、工場、倉庫、ロボット、スマートシティで、現実世界データの入力層をどこまで握るかです。

端末側の計算資源

Physical AIでは、すべてをクラウドに送ってから判断するわけにはいかない。

車が交差点で判断する。
ロボットが人や設備への接触を避ける。
工場設備が異常を検知する。
倉庫ロボットが棚や人の動きを見て進路を変える。

このため、端末側の計算資源が必要になります。

代表企業は、NVIDIA、Qualcomm、Mobileye、AMD、Ambarella、NXP、Renesas、Texas Instruments、Teslaです。

NVIDIAは、DRIVEで自動運転、Jetson / Isaacでロボット・エッジAIに入ります。Qualcommは、低消費電力AI、車載、コネクティビティを持つため、端末側AIと相性が強い。MobileyeはEyeQ SoCを持ち、ADASから自動運転までの車載推論に関係します。AMDは、Versal AI EdgeやAutomotive向けで、センサーからAI、リアルタイム制御までの領域に入ります。Ambarellaは、車載AIプロセッサと映像・レーダー認識系に強い企業です。Texas Instrumentsは、AI対応MCU、プロセッサ、無線、レーダーセンサーを使ったEdge AIを打ち出しています。Teslaは、FSD向けの車載推論チップを自社AI基盤の一部として扱っています。

ここは、第29回のAI PCと一部重なる。
ただし、第30回ではPCではなく、車、ロボット、カメラ、工場設備、倉庫ロボットの中で動く計算資源として見る。

クラウド側の計算資源

Physical AIでも、クラウド側の計算資源は残ります。

理由は、端末側で判断しても、学習、再学習、シミュレーション、安全性検証、合成データ生成、ログ解析、モデル更新はクラウド側に残るからです。

代表企業は、NVIDIA、AMD、Amazon、Google、Microsoft、Oracle、Broadcom、Marvellです。

NVIDIAはGPU、CUDA、ロボティクス向けIsaac、自動運転向けDRIVEを持つ中心企業です。AMDはInstinct GPUでデータセンターAI計算に入ります。AmazonはTrainiumとInferentiaを持ち、学習と推論の自社AIチップを展開しています。GoogleはTPUとAI Hypercomputerを持ちます。Microsoft AzureとOracle OCIは、NVIDIAやAMDと組み、AIクラウド基盤を提供します。BroadcomとMarvellは、カスタムAIアクセラレータ、ネットワーク、光接続、データセンター向けカスタムシリコン側で見る企業です。

Physical AIで重要なのは、端末側推論が増えても、クラウド側の学習・検証・シミュレーションが消えないことです。
むしろ、端末が増えるほど、戻ってくるデータも増えます。

通信

Physical AIでは、通信がかなり重要になります。

車、ロボット、ドローン、センサー、遠隔拠点、防衛関連施設、災害地域でAI端末が増えると、地上通信だけでは足りない場所が出ます。

代表企業は、SpaceX、Arista、Cisco、Ciena、Coherent、Lumentum、Corning、フジクラ、住友電工、古河電工です。

SpaceX / Starlinkは、Physical AIの通信・データ回収レイヤーとして重要です。Starlink Direct to Cellは、通常の4G LTEスマホに衛星から直接メッセージングを提供し、今後IoT、データ、音声へ広げる方針を示しています。Starshieldは、政府向けに暗号化、ホステッドペイロード、安全なデータ処理を扱う衛星ネットワークです。

AristaはAIデータセンター向けEthernetネットワーク。Cienaはデータセンター間接続や光ネットワーク。住友電工はデータセンター向けの高密度光ケーブル、光コネクタ、光デバイスを資料で示しています。古河電工はハイパースケールデータセンター向け高密度光ファイバーケーブルの量産を発表しています。フジクラもAIデータセンター向け光ファイバー需要の代表的な日本企業として見る対象です。

ここでのSpaceXは、Teslaとは位置が違います。
Teslaは現実世界でAIを動かす側。
SpaceX / Starlinkは、現実世界AIをつなぎ、データを戻し、遠隔地へモデルや通信を届ける側です。

ストレージ

Physical AIでは、ストレージ需要も増えます。

走行動画。
センサーログ。
工場ログ。
ロボット操作ログ。
失敗データ。
シミュレーションデータ。
学習データ。
モデル更新データ。

この全部を保存し、読み出し、学習に戻す必要があります。

代表企業は、キオクシア、Micron、Samsung、Western Digital、Seagate、Pure Storage、NetAppです。

キオクシアは、NVIDIA Storage-Nextに対応するAI GPU向けSSDを発表しており、GPUが大きなデータへアクセスするためのストレージ側に入ります。MicronはAIデータセンター向けにメモリとストレージを持ち、245TB級のデータセンターSSDもAI、クラウド、ハイパースケール向けに展開しています。Western DigitalはAI、HPC、クラウド向けのデータセンターストレージ基盤を打ち出し、SeagateもAI向けの大容量ストレージを掲げています。Pure StorageとNetAppは、企業AIやAIデータパイプライン向けのストレージ基盤として見る企業です。

ここで見るのは、単なるNAND市況ではありません。
Physical AIで増える現実世界データを、どの会社が保存し、読み出し、学習側へ戻すかです。