4-1.NVIDIA RoboticsのフィジカルAI戦略を読む
NVIDIAが握る欧米フィジカルAIの中枢――Isaac、GR00T、Halos、Omniverseが作る「ロボットの頭脳」
欧米フィジカルAI 2026 完全版 第1回
シリーズ：欧米フィジカルAI 2026 完全版
副題：ヒューマノイドロボット・自動運転・産業ロボット・ロボット基盤モデルで見る「欧米AI企業TOP20＋番外編」
評価軸：AI部門の有名度 / 資本力 / 技術力 / 収益度 / AI部門価値
最終更新：2026年7月29日（NOTE投稿最終確定版）
注記：製品名、性能、提供地域、量産時期、安全認証は今後変更される可能性があります。会社発表、第三者認証、将来計画、外部推計を本文で区別します。
為替は1ドル＝160円で概算換算しています。
読む前に｜NVIDIAは、ロボットを作らずにロボット産業を取りにいく会社
生成AI時代のNVIDIAは、GPU企業という説明だけでは足りません。
大規模モデルを訓練するデータセンターGPU。現実世界を再現するOmniverse。ロボット開発のIsaac SimとIsaac Lab。物理世界を生成・推論するCosmos。ヒューマノイド基盤モデルのIsaac GR00T。実機推論を担うJetson Thor。そして安全アーキテクチャのHalos。
これらは別々の製品ではありません。
NVIDIAは、データ収集、合成データ、シミュレーション、モデル訓練、実機配置、安全検証までを一つの開発循環へまとめようとしています。
完成ロボットを一台売る必要はありません。Figure、Agility Robotics、Boston Dynamics、1X、Amazon Robotics、FANUC、日立などがロボットを作るたびに、学習用GPU、シミュレーション、基盤モデル、エッジ計算、安全基盤が使われればよい。
NVIDIAが狙うのは、ロボット市場の一社ではなく、フィジカルAI産業全体が依存する中枢です。
まず結論――NVIDIAは「ロボットの頭脳」だけを売る会社ではない
NVIDIA Roboticsを一言で表すなら、こうなります。
NVIDIAは、完成ロボットを作る企業ではありません。
ロボットが学び、仮想空間で試され、現実の工場や倉庫で安全に動くまでの、共通基盤を作る企業です。
強みは三つあります。
第一に、計算基盤です。
データセンターGPU、DGX、クラウド、Jetson、IGX、DRIVE Thorまで、学習から実機推論まで同じCUDA系の技術でつなげられます。
第二に、開発環境です。
Isaac Sim、Isaac Lab、Omniverse、OpenUSD、Cosmosを使い、現実では集めにくいデータを仮想空間で作り、ロボットを実機投入前に評価できます。
第三に、エコシステムです。
Boston Dynamics、Figure、Agility Robotics、1X、Amazon Robotics、FANUC、安川電機、川崎重工業など、異なる企業がNVIDIA基盤を利用します。
一方、弱点も明確です。
NVIDIAは、ロボットの身体、現場データ、顧客関係、保守、安全責任のすべてを持っているわけではありません。
NVIDIAが握るのは、フィジカルAI産業の中枢です。
しかし、現場そのものではありません。
本稿では、NVIDIAがロボット産業の「CUDA」を作れるのか、その強さと限界を読みます。
目次
第1章 フィジカルAIとは何か――なぜNVIDIAから始めるのか
第2章 5軸評価と「三つのコンピューター」戦略
第3章 CUDAからIsaacへ――NVIDIA Roboticsの技術史
第4章 Isaac製品群――ロボット開発をソフトウェア産業へ変える
第5章 OmniverseとOpenUSD――工場・倉庫を学習空間へ変える
第6章 Cosmos 3とCosmos 3 Edge――物理世界を理解・生成するAI
第7章 Isaac GR00T――ヒューマノイド基盤モデルの全体像
第8章 Thorファミリー――Jetson、IGX、DRIVEをどう使い分けるか
第9章 ロボット・データ工場と標準開発工程
第10章 Halos、安全評価、サイバーセキュリティ
第11章 エコシステムと主要企業のケーススタディ
第12章 NVIDIA Roboticsの収益モデルとプラットフォーム経済
第13章 競合構図――Google、Qualcomm、AMD、Tesla、中国勢
第14章 弱点・ロックイン・総保有コスト
第15章 日本戦略――Cosmos 3 Edge、日本企業陣営、Noetra
第16章 導入企業の実務――チェックリストとPoCから量産まで
第17章 2030年までの三つのシナリオ
第18章 結論――NVIDIAはロボットの「CUDA」を作れるか
第1章 フィジカルAIとは何か――なぜNVIDIAから始めるのか
ヒューマノイドは、機械部品だけでは動きません。視覚、音声、触覚、言語、行動計画、運動制御を統合する必要があります。
一つの動作を覚えさせるにも、人間の実演、遠隔操作、シミュレーション、失敗データが必要です。学習後には、ロボット内部の限られた電力とメモリで推論しなければなりません。人間と同じ工場で働くなら、AIの判断とは別に、安全停止、センサー監視、認証、監査も必要です。
NVIDIAはこれらを個別製品ではなく、開発フライホイールとして設計しています。現場をデジタルツイン化し、Isaac Simで再現し、Isaac Labで学習し、Cosmosで物理データを増幅し、GR00Tで視覚・言語・行動を結び、Jetson Thorへ配置し、Halosで安全を構造化する。実機データは再び学習へ戻ります。
この循環を誰が握るかが、フィジカルAI時代のプラットフォーム競争です。
【生成AIと異なる二つの壁】
このシリーズが扱うのは、フィジカルAIです。
画面の中で文章や画像を作る生成AIと違い、フィジカルAIは、現実世界で身体を動かします。ロボットアーム、ヒューマノイド、自動運転車、四足ロボット。物を掴み、運び、道を走る。
ここには、生成AIにはない難しさがあります。
文章の生成は、間違えても書き直せます。しかし、ロボットが物を落とせば壊れ、人にぶつかれば怪我をさせます。現実は、やり直しがききません。
さらに、学習データが足りません。インターネット上には文章と画像が溢れていますが、「重い箱を掴んで棚に置く」という身体動作のデータは、ほとんど存在しません。
つまりフィジカルAIは、生成AIより失敗コストが高く、データが乏しい。この二つの壁が、ロボットの知能化を難しくしてきました。
NVIDIAは、この壁を越えるための道具を、まとめて提供しようとしています。だからこのシリーズは、NVIDIAから始めます。
このシリーズ「欧米フィジカルAI 2026」は、全20回＋番外編で、現実世界を動かすAI企業を追います。ヒューマノイド（Figure、Apptronik、1X、Sanctuary）、自動運転（Waymo、Tesla、Aurora、Mobileye）、ロボット基盤モデル（Skild、Physical Intelligence）、産業ロボット（Boston Dynamics、ABB、Siemens、Universal Robots）。姿はさまざまですが、多くがNVIDIAの基盤の上で動きます。だから、最初にその中枢を押さえておくことが、全体を理解する近道になります。
第2章 5軸評価と「三つのコンピューター」戦略
【5軸評価】
【AI部門の有名度】10.0 / 10
生成AIとロボティクスの双方で、世界の開発者・経営者・政府に最も知られた基盤企業。
【資本力】10.0 / 10
AI半導体の巨大収益を、ロボット、デジタルツイン、エッジAI、安全基盤へ再投資できる。
【技術力】9.7 / 10
学習、合成データ、シミュレーション、基盤モデル、エッジ推論、安全までを垂直統合。
【収益度】9.0 / 10
ロボティクス単独売上の開示は限定的だが、GPU、Jetson、Omniverse、クラウドへ収益を分散できる。
【AI部門価値】10.0 / 10
ロボットメーカーが増えるほど計算需要が増える「つるはし」型の価値。
【総合評価】9.7 / 10
完成ロボットの勝者を選ばず、勝者すべてへ基盤を売れる。
最大の強みは、特定の身体へ賭けなくてもよいことです。ヒューマノイド、AMR、ロボットアーム、四足、医療、建機、配送のどれが伸びても、学習、シミュレーション、推論は必要です。
ただし、現場データ、機械設計、制御、安全認証、顧客関係はロボットメーカーが持ちます。NVIDIAが握れるのは中枢であり、現場全体ではありません。
【学習・シミュレーション・実行をつなぐ】
NVIDIAの戦略は三つのコンピューターで整理できます。
第一は、AIを訓練するコンピューターです。データセンターGPUで基盤モデル、世界モデル、行動モデルを学習します。
第二は、AIをシミュレーションするコンピューターです。Omniverse、Isaac Sim、Isaac Lab、Cosmosで現実に近い仮想環境を作ります。
第三は、AIを実行するコンピューターです。Jetson ThorやIGX Thorがロボット内部でセンサーを処理し、低遅延で行動を決めます。
ロボットはクラウドだけでは成立しません。通信が切れても安全に止まり、重要判断をローカルで行う必要があります。一方、大規模学習はロボット内部ではできません。
学習はデータセンター、評価はシミュレーション、推論はエッジ、データは再びクラウドへ戻る。この往復を同じCUDA系資産でつなぐことがNVIDIAの狙いです。
人間にたとえるなら、こうです。データセンターは「学校」で、大量の知識を頭に叩き込む場所。シミュレーションは「練習場」で、失敗しても安全に試せる場所。エッジは「現場」で、実際に体を動かす場所。人間はこの三つを行き来して熟達しますが、ロボットも同じです。NVIDIAは、この三つの場所すべてに、自社の計算基盤を置こうとしています。どこで学び、練習し、働いても、NVIDIAの上で動く。それが狙いです。
第3章 CUDAからIsaacへ――NVIDIA Roboticsの技術史
NVIDIAのロボティクス戦略は、2024年にGR00Tを発表して突然始まったものではありません。
出発点は、GPUを画像処理装置から汎用並列計算機へ変えたCUDAです。
2006年にCUDAが登場すると、研究者はGPUをグラフィックス以外の計算へ使えるようになりました。2012年のAlexNet以降、深層学習の学習基盤としてNVIDIA GPUが急速に普及します。
ロボティクスにとって、この変化は二つの意味を持ちました。
第一に、カメラやLiDARから得られる大量データをリアルタイム処理できるようになったことです。
第二に、シミュレーション、強化学習、ニューラルネットワークを同じGPUエコシステムへ集められるようになったことです。
NVIDIAは2014年にJetson TK1を投入し、GPUをロボットやドローンへ搭載する道を開きました。
その後、Jetson TX、Xavier、Orin、Thorへと進化します。
Xavierは自動運転とロボット向けのSoCとして、CPU、GPU、深層学習アクセラレーター、画像処理を一体化しました。
Orinは、AMR、配送ロボット、産業機械、自動運転車へ広く採用されました。
Thorは、生成AI、VLA、世界モデルをロボット内部で動かす時代を想定した計算基盤です。
ソフトウェア側では、Isaac GymがGPU並列シミュレーションによる強化学習を普及させました。
Isaac Simは、ロボットと工場を高精度に再現するシミュレーターへ発展します。
Isaac Labは、強化学習、模倣学習、ドメインランダム化、評価を統合します。
OmniverseとOpenUSDは、ロボット単体だけでなく、工場、倉庫、都市、センサーを同じ3D空間へ統合します。
Cosmosは、その仮想空間を生成AIと世界モデルで増幅します。
GR00Tは、データ、VLA、学習、評価、実機配置をヒューマノイド向けにまとめます。
Halosは、安全を開発工程の最後に付けるのではなく、計算機、OS、センサー、認証へ組み込みます。
この歴史を一文で表せば、NVIDIAは「GPUを売る会社」から「ロボットが学び、考え、安全に働くまでの共通工程を売る会社」へ進化してきました。
第4章 Isaac製品群――ロボット開発をソフトウェア産業へ変える
Isaacは一つの製品ではありません。
Isaac SimはOmniverse上のロボットシミュレーターです。ロボット、カメラ、LiDAR、接触、照明、物体、工場、倉庫を仮想空間へ配置します。
Isaac Labは、強化学習、模倣学習、動作計画の環境です。
Isaac ROSは、ROS 2開発者がNVIDIA GPUの高速化を使うためのライブラリ群です。
Isaac Manipulatorは、ロボットアームと把持向けの認識・動作機能をまとめます。
Isaac Perceptorは、移動ロボットの視覚、位置推定、3D認識を支えます。
狙いは、センサー接続、座標変換、経路計画、学習環境を毎回ゼロから作らないことです。開発者は身体と現場固有技能へ集中できます。
その代わり、Isaac、CUDA、Omniverse形式、NVIDIA GPUへの依存は深くなります。
これは、かつてNVIDIAがAI開発で作った構図の再現です。深層学習が広がったとき、研究者と企業はCUDAという開発基盤に集まり、そこから離れられなくなりました。ロボティクスでも、Isaacを標準にすれば、同じ囲い込みが働きます。開発者が増えるほど、Isaac向けの部品や事例が増え、さらに開発者が集まる。この好循環が、NVIDIAの狙いです。
【Isaac Sim、Isaac Lab、Isaac ROS、Manipulator、Perceptor】
Isaacという名前の下には、多くの製品、SDK、ライブラリがあります。
名称が似ているため、全体像を整理しないと、NVIDIAの戦略が見えません。
【Isaac Sim】
Isaac Simは、ロボットの物理シミュレーションとセンサーシミュレーションを行います。
カメラ、深度カメラ、LiDAR、IMU、接触、関節、摩擦、照明、材質を再現します。
ロボットが工場でどのように見え、動き、衝突するかを、実機投入前に確認できます。
【Isaac Lab】
Isaac Labは、Isaac Sim上でロボット学習を行うフレームワークです。
強化学習、模倣学習、行動クローニング、ドメインランダム化、複数環境の並列実行に使います。
数千から数万の仮想ロボットをGPU上で同時に動かし、現実では何年もかかる試行を短期間へ圧縮します。
【Isaac ROS】
Isaac ROSは、ROS 2環境でGPU高速化を使うためのパッケージ群です。
Visual SLAM、物体認識、深度推定、画像前処理、DNN推論、経路計画を高速化します。
ROSを使う既存ロボット企業が、全ソフトを作り直さずNVIDIAを導入できる入口です。
【Isaac Manipulator】
Isaac Manipulatorは、ロボットアームと把持の開発を支援します。
cuMotionによる衝突回避付きモーション生成、FoundationPoseによる6D姿勢推定、物体認識、把持計画を組み合わせます。
【Isaac Perceptor】
Isaac Perceptorは、AMRや移動ロボット向けです。
複数カメラ、Visual SLAM、3D認識、障害物検知、自己位置推定を統合します。
【Isaac Mission Dispatch】
Mission Dispatchは、複数ロボットへ作業を割り当てる運用層です。
倉庫や工場では、一台の知能より、数十台・数百台の優先順位、充電、交通整理が重要になります。
【Isaac Teleop】
Isaac Teleopは、人間がロボットを遠隔操作し、行動データを収集する仕組みです。
Apple Vision ProなどのXR機器、モーションキャプチャ、手のトラッキングと接続し、人間の動きをロボットへ移します。
【Isaac Replicator】
Replicatorは合成データ生成です。
照明、背景、材質、カメラ位置、物体配置を自動的に変え、認識モデルの学習データを大量生成します。
【cuMotion】
cuMotionは、GPUで高速に動作する衝突回避付きモーション生成です。
ロボットアームが障害物を避けながら、目標姿勢へ移動する軌道を計算します。
【FoundationPose】
FoundationPoseは、物体の3D位置と姿勢を推定します。
対象物のCADモデルや少数画像から、ロボットが物体をどの角度で持つべきかを理解します。
【nvblox】
nvbloxは、深度センサーからリアルタイムに3D地図を作ります。
移動ロボット、ドローン、マニピュレーターが周囲の空間を理解するために使います。
【Mega Blueprint】
Megaは、ロボットフリートと産業デジタルツインをつなぎます。
工場や倉庫全体の物流、渋滞、作業割り当て、処理能力を仮想的に検証します。
これらを並べると、IsaacはロボットOSというより、開発・学習・シミュレーション・運用を覆う巨大なソフトウェア群です。
【Isaac Sim 6.0とPhysical AI Agent Skills】
Isaac Sim 6.0ではReplicator Agentを含むシミュレーション自動化機能が更新されました。さらにNVIDIAは2026年5月、Isaac、Omniverse、Cosmosなどの開発工程をAI Agentから実行できるPhysical AI Agent Skillsを公開しました。両者は関連しますが、Agent SkillsはIsaac Simだけの機能ではなく、NVIDIA Physical AIスタック全体を対象とします。
従来は、人間のエンジニアが3Dシーン、物体配置、センサー設定、評価条件を手作業で構成していました。
Agent Skillsを使えば、自然言語やコード生成Agentが、次の作業を自動化できます。
・現実空間の3D再構築
・危険・希少シナリオの生成
・ロボットポリシーの学習
・評価条件の変更
・失敗場面の再現
・結果の集計
NVIDIA Physical AI DatasetはHugging Faceで1,500万回を超えるダウンロードに達し、GR00T X Embodiment Simもロボット分野で利用が広がっています。
フィジカルAI開発は、ロボットを操作するAgentだけでなく、ロボットを訓練・評価するAgentの時代へ入っています。
第5章 OmniverseとOpenUSD――工場・倉庫を学習空間へ変える
Omniverseは3D制作ツールだけではありません。フィジカルAIでは、現実とAIの間にある検証空間です。
工場設備をUSDで表現する。センサー視野を確認する。ロボットの衝突と導線を試す。人間、フォークリフト、AMR、ロボットアームが同時に動く状況を再現する。設備を止める前にレイアウトと処理能力を検証する。
NVIDIA Megaは、複数ロボットのフリートを大規模産業デジタルツインで試すBlueprintです。一台が動けても、100台が同じ倉庫へ入れば渋滞、充電、優先順位、通信、作業者との干渉が起きます。
Omniverseが狙うのは、ロボットをシミュレーションするソフトではなく、現実の産業空間をAIが学習・運用できるデータへ変えるOSです。
たとえば、新しい倉庫にロボットを100台入れるとします。いきなり実物を入れれば、渋滞や衝突が起き、混乱します。Omniverse上に倉庫の「デジタルの双子（デジタルツイン）」を作れば、実物を動かす前に、100台がどう動くかを仮想で試せます。レイアウトを変え、台数を変え、最適な配置を見つけてから、現実に反映する。失敗のコストを、仮想空間へ移すのです。
【OpenUSDが産業標準になった場合】
Omniverseの基礎にはOpenUSDがあります。
USDは、Pixarが開発した複雑な3Dシーンの記述形式です。
複数の人・ツールが、同じ工場、ロボット、部品へ変更を加えられます。
ロボット産業でOpenUSDが標準になれば、
・CAD
・工場レイアウト
・物理属性
・センサー位置
・作業工程
・合成データ
・評価シナリオ
これらを同じデータ構造で管理できます。
しかし、CADの形状だけではロボットシミュレーションに足りません。
摩擦、質量、関節、柔らかさ、故障、作業意味を付与する必要があります。
日本企業には、既存のCAD・PLM資産をOpenUSDへ変換し、デジタルツインを再利用可能な知的資産へする機会があります。
第6章 Cosmos 3とCosmos 3 Edge――物理世界を理解・生成するAI
言語モデルは大量文章から学習できました。ロボットは文章だけでは、重さ、摩擦、柔らかさ、滑り、衝突、重力を理解できません。
実機データは高価です。失敗すれば機械や商品を壊し、人を危険にさらします。
Cosmosは、物理世界を理解・生成するWorld Foundation Model群として、この不足を補います。実写動画を変換し、天候、照明、背景、物体を変え、未来を予測し、合成データを作ります。
合成データが実データを完全に置き換えるわけではありません。シミュレーションの誤差は現実で失敗を生みます。
価値は、実機データを増幅し、危険・希少な場面を安全に試し、実機で確認すべき範囲を絞ることです。
たとえば、「濡れた床で人が転ぶ」「フォークリフトが急に飛び出す」といった危険な場面を、現実で何度も再現するのは不可能です。Cosmosは、こうした稀で危ない状況を仮想的に大量生成し、ロボットに事前学習させられます。現実のデータ収集を、仮想のデータ生成で補う。これが、物理データ不足への現実的な答えです。
【Cosmos 3の内部構造】
Cosmosは一つの動画生成モデルではありません。
NVIDIAは、物理世界のデータを検索し、変換し、生成し、推論し、安全確認するためのモデルとツール群として設計しています。
【Cosmos Tokenizer】
動画と画像を効率的なトークンへ圧縮します。
長時間の物理世界データを、そのままピクセルとして扱えば計算量が膨大になります。
Tokenizerは、動き、物体、空間を保ちながらデータ量を減らします。
【Cosmos Predict】
現在の映像や条件から、未来のフレームを生成・予測します。
自動運転車が進んだ時に何が見えるか、ロボットが箱を押した時にどう動くかを学習します。
【Cosmos Transfer】
実写またはシミュレーション映像を、別の天候、照明、場所、材質へ変換します。
晴天の道路を雨、雪、夜間へ変える。
工場の一つの映像から、異なる部品、床、照明のバリエーションを作る。
【Cosmos Reason】
映像と物理世界について推論します。
危険な状況、因果関係、次に起こる出来事を言語と視覚で説明します。
GR00T N1.7では、Cosmos系の推論バックボーンがタスク分解に使われます。
【Cosmos Curator】
大量の動画を整理し、重複を除き、学習価値の高い場面を選びます。
ロボット企業にとって、すべての映像を保存・学習することは高コストです。
失敗、珍しい接触、特定の物体、環境変化を検索できることが重要です。
【Cosmos Guardrails】
生成された映像やデータの安全性、利用条件を確認します。
物理AI用データでも、人物、場所、機密設備、危険行動が含まれます。
【CosmosとIsaac Simの違い】
Isaac Simは、明示的な物理エンジンと3Dモデルを使います。
Cosmosは、大量動画から学習した生成モデルで現実らしい変化を作ります。
前者は制御可能性と物理パラメーターに強く、後者は外観の多様性と複雑な現実表現に強い。
NVIDIAは両者を組み合わせ、シミュレーションの正確さと生成AIの多様性を同時に得ようとしています。
なお、ここで整理した用途別のモデル群（Predict、Transfer、Reason、Policy）は、後述するCosmos 3で一つのモデルへ統合されました。本章の分解は、Cosmosが何をしようとしてきたかを理解するための整理として読んでください。
【Cosmos 3――物理AI向け世界モデルの第二段階】
2026年5月31日、台北のGTC Taipei（Computex 2026）で、NVIDIAはCosmos 3を発表しました。
Cosmos 3は、単なる映像生成モデルの更新ではありません。
最大の変化は、統合です。これまでのCosmosは、用途ごとに別々のモデルに分かれていました。未来を予測するCosmos Predict、条件付きで生成するCosmos Transfer、場面を理解するCosmos Reason、行動を生成するCosmos Policy。開発者は、これらを組み合わせて使う必要がありました。
Cosmos 3は、これらを一つのモデルへまとめました。Mixture-of-Transformersという構造を採り、視覚推論、世界生成、行動予測を単一のシステムで行います。
NVIDIAはこれを「omnimodel（オムニモデル）」と呼びます。文章、画像、動画、環境音、そして行動を、いずれも理解し、生成できる。20兆トークンのマルチモーダルデータで学習されました。
2026年7月時点の公開ラインアップは、Superが640億パラメータ、Nanoが160億パラメータ、Edgeが40億パラメータです。5月31日の発表時点ではEdgeは「近日提供」とされていましたが、7月には公開されました。
ライセンスも重要です。NVIDIA Open Model Licenseの下で公開され、商用利用と派生モデルの配布が認められます。NVIDIAは、生成された出力の所有権を主張しません。モデルの重みはHugging Faceで公開され、学習スクリプト、配置ツール、学習に使ったデータセットもGitHubで公開されました。あわせて、ロボティクスや自動運転向けの合成データセット6種類も出されています。
NVIDIAは同時にCosmos Coalitionを立ち上げました。
世界モデル開発企業、AI研究者、ロボット企業が、モデル、評価手法、研究成果を共有し、DGX Cloudを使って学習できる枠組みです。
創設メンバーは、Agile Robots、Black Forest Labs、Generalist、LTX、Runway、Skild AIです。
この顔ぶれは示唆的です。Runwayは、シリーズAの第14回で扱った動画生成企業で、ワールドモデルを独自に開発しています。Skild AIは、本シリーズの第6回で扱うロボット基盤モデルの企業です。つまりNVIDIAは、自社と競合しうる世界モデルの開発者たちを、あえて同じ枠組みへ迎え入れています。
なお、Cosmosを採用してロボットや自動運転を開発する企業には、1X、AGIBOT、Agility Robotics、Boston Dynamics、NEURA Roboticsなども挙げられています。Coalitionの創設メンバーと、Cosmosの採用企業は、区別して読む必要があります。
Cosmos 3の意味は、NVIDIAが自社モデルだけを標準にするのではなく、世界モデルの開発環境と計算基盤を標準化しようとしていることです。
ロボット企業が独自の世界モデルを作っても、学習、評価、合成データ、GPU基盤がNVIDIA上なら、NVIDIAは価値を取り込めます。
第7章 Isaac GR00T――ヒューマノイド基盤モデルの全体像
GR00TはGeneralist Robot 00 Technologyの略称です。
オープンな基盤モデル、データ、学習パイプライン、シミュレーション、実行環境をまとめます。
「赤い箱を棚から取り、作業台へ置く」という指示には、対象認識、距離推定、歩行、手伸ばし、把持、運搬、配置が必要です。GR00Tは画像、言語、身体状態、行動を結ぶVision-Language-Actionモデルを中心に置きます。
NVIDIAが「オープン」と説明する範囲にはモデルウェイト、コード、データセット、Blueprintが含まれますが、無条件の自由利用という意味ではありません。モデルごとのライセンス、商用条件、ハードウェア要件を確認する必要があります。
競争力は、単一ベンチマークではなく、データ取得から実機配置までがつながっていることです。
VLA（Vision-Language-Action）という考え方が、ここで鍵になります。これは、視覚（Vision）で見たものと、言語（Language）で受けた指示を、行動（Action）へ直接つなぐモデルです。「赤い箱を取って」という言葉と、目の前の映像を、そのまま手の動きへ変換する。言語モデルが文章を扱うように、VLAは身体の動きを扱います。GR00Tは、このVLAをヒューマノイド向けに提供する基盤モデルです。
【GR00T 1.7（N1.7）】
2026年のGR00T 1.7（N1.7）では、長い作業をタスクとサブタスクへ分ける推論、指単位の器用な制御、実機配置の最適化が進みました。NVIDIAの公式ページや技術ブログでは「GR00T 1.7」と「GR00T N1.7」の表記が併用されています。
NVIDIAの技術解説では、約3万2,000時間の人間実演と約8,000時間のシミュレーションを使った事前学習が説明されています。
重要なのは、異なる身体でも再利用できる表現を学ばせることです。
長時間作業は現在の弱点です。一つの把持が成功しても、10工程の途中で状況が変われば失敗します。N1.7は上位目的と下位動作を分け、途中で見直す方向へ進みます。
研究環境の成功と、8時間の工場勤務を毎日続ける信頼性は別です。モデル性能、耐久性、成功率、安全停止、復旧時間を一体で評価する必要があります。
約3万2,000時間の人間実演というデータ量は、膨大に見えますが、実は限られています。人間は、生まれてから何十年もかけて身体の使い方を学びます。ロボットが数万時間のデータで人間並みの器用さに達するのは、まだ難しい。だからこそ、シミュレーションによるデータ増幅と、現場での継続学習が欠かせません。GR00T N1.7は、その途上にある基盤モデルです。完成品ではなく、進化の一段階と見るべきです。
【System 1とSystem 2】
汎用ロボットは、すべての判断を同じ速度のモデルで行う必要はありません。
人間も、反射的な動作と、時間をかけた計画を使い分けます。
GR00Tの設計思想も、速い行動生成と遅い推論を分けます。
System 1は、センサー入力から短い行動チャンクを高速生成します。
・手を少し動かす
・把持力を調整する
・歩行バランスを修正する
System 2は、言語、画像、状況からタスクを理解し、長い作業を分解します。
・箱を開ける
・部品を取り出す
・向きを確認する
・治具へ置く
・異常があれば戻す
長時間タスクでは、System 2が目的とサブタスクを更新し、System 1が各動作を実行します。
この構造が必要なのは、巨大な推論モデルを毎ミリ秒実行すると遅延と電力が大きくなるからです。
一方、反射モデルだけでは、途中で目的を見失います。
GR00T N1.7では、この二層構造がより明確になりました。System 2には、NVIDIA自身の世界モデルを基にしたCosmos-Reason2-2B（Qwen3-VLアーキテクチャ）が採用され、System 1は32層のDiffusion Transformerが担います。世界モデルの知識を、そのまま行動計画へ流し込む設計です。
学習データにも特徴があります。NVIDIA ResearchのEgoScale研究は、2万時間を超える行動ラベル付き一人称視点動画を使い、人間動画の規模を拡大するほど器用な操作学習が改善する傾向を示しました。GR00T 1.7の公式技術解説では、実演・一人称視点データ約3万2,000時間と、シミュレーション約8,000時間を事前学習に使ったと説明されています。
EgoScale研究では、人間動画の規模と検証損失の間に対数線形の関係が観察されました。これは、人間動画がロボットの器用さを高める重要なデータ源になり得ることを示します。ただし、すべての身体・作業で同じ法則が成立することや、人間動画だけで実機データを代替できることを証明したわけではありません。
ただし、言語的に正しい計画が物理的に実行可能とは限りません。
ロボットの可動域、重量、摩擦、電池、障害物を下位制御が確認する必要があります。
【オープン・リファレンス・ヒューマノイド】
2026年5月31日、NVIDIAはGTC TaipeiでIsaac GR00T Reference Humanoid Robotを発表しました。
Unitree H2 Plus、Sharpa Waveの触覚付き五指ハンド、Jetson AGX Thor T5000、GR00Tソフトウェアを組み合わせます。Ai2、ETH Zurich、Stanford Robotics Center、UC San Diegoの研究機関が初期利用者として挙げられています。NVIDIAの投資家向け発表では、Unitreeから2026年後半に提供予定とされています。ただし、具体的な価格、地域、台数は確定していません。
これはNVIDIAブランドの完成ロボットを量産する計画ではありません。研究機関が共通の身体、手、計算機、ソフトウェアを使い、実験結果を比較しやすくする参照設計です。
同じモデルでも、身体、センサー、手、制御周期が違えば結果比較は難しい。参照設計は再現性を上げます。
一方、中国製ハードウェア採用は、米中安全保障、調達、研究規則という論点を生みます。
NVIDIAの狙いは特定メーカーを勝者にすることではなく、GR00TとThorが様々な身体へ入る標準を作ることです。
第8章 Thorファミリー――Jetson、IGX、DRIVEをどう使い分けるか
Jetson Thorはロボット内部へ搭載するエッジAIコンピューターです。
カメラ、深度、LiDAR、音声、触覚を処理し、VLA、言語、視覚、制御モデルを低遅延で実行します。
ロボットは常にクラウドへ映像を送り、回答を待つことができません。遅延、帯域、プライバシー、停止時安全を考えると、重要判断はローカルで行います。
上位のJetson AGX Thor T5000は、Blackwell世代GPU、FP4で2,070TFLOPSのAI性能、128GB統合メモリを備えます。消費電力は用途に応じて約40〜130Wの範囲で構成できます。前世代のOrinから、生成AIの推論性能で大幅に引き上げられました。
2026年7月にはThor系T3000、T2000が発表され、価格・電力・性能帯を広げる方向が示されました。Amazon Robotics、Boston Dynamics、Caterpillar、FANUC、日立、Medtronic、Meta、1XなどがThor系を採用・評価しています。
ただし、モーター制御、緊急停止、機能安全にはリアルタイム制御器や安全PLCも必要です。Thorは知能を担いますが、機械全体の安全を単独で保証しません。
【Jetson、IGX、DRIVE Thorの違い】
Thorという名称は複数製品に使われるため、整理が必要です。
【Jetson Thor】
ヒューマノイド、AMR、産業ロボットへ搭載するエッジAIコンピューターです。
開発者向けキットと量産用モジュールがあります。
VLA、視覚モデル、言語モデルをロボット内部で実行します。
【IGX Thor】
産業、医療、検査、機能安全を重視するエッジ基盤です。
高可用性、長期供給、センサー接続、安全領域を重視します。
Halos for Roboticsでは、安全コンピュートの中核です。
【DRIVE Thor】
自動車向けです。
自動運転、車内AI、インフォテインメントを統合します。
ロボットと自動車で同じThorアーキテクチャを使うことで、NVIDIAは開発資産を共有します。
【DGX、HGX、OVX】
DGXとHGXは、モデルを学習するデータセンター側です。
OVXはOmniverseやデジタルツインを動かす計算基盤です。
【Spectrum-X、ConnectX、BlueField】
大量GPUをつなぐネットワークとDPUです。
ロボット企業が大規模VLAを学習する時、GPU単体よりネットワーク、ストレージ、データ転送がボトルネックになります。
NVIDIAはロボット内部だけでなく、データセンター全体の支出を取り込みます。
第9章 ロボット・データ工場と標準開発工程
フィジカルAIの競争力は、モデルの名前や性能値よりも、データの循環で決まります。
なぜなら、ロボットの賢さは、どれだけ多様な現場データを集め、失敗から学び、再学習を回せるかで決まるからです。優れたモデルを一度作っても、現場で使われ、改善され続けなければ、すぐに陳腐化します。逆に、平凡なモデルでも、良質なデータ循環があれば、着実に賢くなります。
この循環は、次のように回ります。
人間の動作をVR、モーションキャプチャ、手袋、映像、遠隔操作で集める。
対象物、接触、成功、失敗、工程、身体状態を同期する。
Isaac Sim、Replicator、Cosmosで照明、物体、配置、摩擦、視点を変える。
モデルを訓練し、仮想環境で評価する。
実機へ配置し、限定条件で試す。
失敗を集め、再学習する。
NVIDIAはGPU、Isaac、Cosmos、GR00T、Jetsonでこの循環を支えます。
この循環の要は、「失敗データ」です。ロボットが成功した動作より、失敗した動作のほうが、学習には価値があります。どこで滑ったか、なぜ落としたか。この失敗の蓄積が、ロボットを賢くします。だから、現場で実際に動かし、失敗を集め、再学習する循環を回せる企業が、強くなります。
ロボット企業が守るべき資産は、現場固有データ、失敗データ、作業知識、評価基準です。基盤をNVIDIAへ依存しても、データまで手放す必要はありません。むしろ、ここを手放せば、NVIDIAの基盤の上で誰でも作れる「ただのロボット」になってしまいます。データと現場知識こそが、各社の堀になります。
【設計から運用・再学習までの循環】
NVIDIAが描くロボット開発は、設計、データ収集、生成、学習、評価、配置、運用、安全を切り離さず、一つの循環として回す工程です。
最初の設計段階では、CADデータとOpenUSDを使って、ロボット本体だけでなく、工場、倉庫、設備、治具、通路までデジタル空間へ再現します。現実の設備を先に仮想化しておくことで、ロボットを実際の現場へ持ち込む前に、可動域、衝突、センサーの死角、人間との動線を確認できます。
次に、人間の実演、遠隔操作、現場動画、既存作業ログを集めます。しかし、実機だけで十分なデータを集めるには、時間も費用もかかります。そこでIsaac Sim、Replicator、Cosmosを使い、照明、背景、物体配置、天候、摩擦、故障条件を変えながら、現実では集めにくい状況を合成します。実データを置き換えるのではなく、実データを増幅し、危険場面や希少場面を安全に再現するのです。
集めたデータは、DGXやクラウドGPU上で学習されます。視覚認識、世界モデル、行動計画、把持、歩行などを訓練した後、Isaac Labやデジタルツイン上で成功率、失敗率、例外対応、安全停止を評価します。ここで重要なのは、平均的な成功だけを見るのではなく、物体が滑る、人が割り込む、センサーが汚れる、通信が切れるといった失敗条件を意図的に試すことです。
評価を通過したモデルは、TensorRTなどで軽量化・高速化し、Jetson ThorやIGXへ配置します。データセンターで動いた巨大モデルを、そのままロボット内部へ載せることはできません。電力、メモリ、遅延、発熱という制約の中で、必要な知能を実時間で動かせる形へ変換します。
実機へ配置した後も開発は終わりません。フリートのログ、作業成功率、人間介入、故障、環境変化を継続的に収集し、モデル更新と再学習へ戻します。同時に、Halos、機能安全コントローラー、緊急停止、第三者認証を工程の最初から組み込みます。安全を最後に付け足すのではなく、設計、学習、評価、更新のすべてへ織り込む必要があります。
この工程が標準化されれば、ロボット開発は、一台ごとにプログラムを書く個別受託型から、現場データを集め、モデルを継続更新し、複数機体へ同じ改善を配布するソフトウェア産業へ変わります。NVIDIAが狙っているのは、個々のロボット機能ではなく、この開発循環そのものを業界標準にすることです。
第10章 Halos、安全評価、サイバーセキュリティ
フィジカルAIは文章生成AIより失敗コストが高い。誤ったロボット動作は、人、設備、商品へ損害を与えます。
Halos for Roboticsは、IGX Thor、Holoscan Sensor Bridge、Halos OS、検査・認証支援を組み合わせます。
危険領域への侵入を検知する。センサー異常を見つける。速度と力を制限する。不確実なら停止する。ログを残し、第三者認証へ備える。
Agility Roboticsは初期パートナーとして、Halosの要素を独自安全システムへ組み込むと発表しました。
NVIDIAの「業界初」「唯一」という表現は会社の位置付けであり、国際規格適合や最終製品認証を自動的に意味しません。
なぜそう言えるのか。理由は単純です。
2026年時点で、ヒューマノイド専用の国際安全規格は、まだ存在しないからです。
正確には、専用規格の策定が進んでいます。ISO/CD 25785-1は、「能動的に安定性を制御する産業用移動ロボット」を対象とし、二足・四足・自己平衡型の移動ロボットを含みます。
ISOの公開情報では、2025年5月に新規プロジェクトとして登録され、2026年5月に委員会原案（Committee Draft）として協議が始まりました。2026年7月8日にコメント期間を終え、国際規格案（DIS）登録へ進む段階です。正式な国際規格としての発行時期は、まだ確定していません。
したがって2026年7月時点では、完成したISO 25785-1への適合をうたうことはできません。実務では、ISO 10218-1／10218-2、ANSI/A3 R15.06-2025、ISO 13849-1、IEC 62061、ISO 3691-4など、既存の産業ロボット・機能安全・無人搬送車関連規格を組み合わせて評価します。
ただし、既存規格だけでは、歩行ロボットの転倒、動的安定性、全身接触、電源喪失時の姿勢変化といった固有リスクを十分に扱えません。最終的には、ロボット本体だけでなく、用途、施設、作業者の動線、運用手順を含むシステム全体のリスクアセスメントが必要です。
この違いは実務に直結します。安全とされる機器を買っても、その使い方が安全でなければ、導入した企業側が是正を求められます。「メーカーが安全だと言った」は免責になりません。
Halosがどれほど優れていても、この構造は変わりません。
安全は、チップ、OS、ロボット本体、用途、施設、運用手順を含むシステム全体で評価されます。
これは、フィジカルAIが生成AIと決定的に違う点です。文章生成AIが間違えても、せいぜい誤った情報が出るだけです。しかし、工場で人と並んで働くロボットが誤動作すれば、人命に関わります。だからNVIDIAは、安全を「後付けの機能」ではなく、チップとOSの設計段階から組み込もうとしています。Halosは、その思想の表れです。ただし、最終的な安全の保証は、ロボットを作り、使う企業の責任として残ります。
【Isaac Lab-Arenaと評価指標】
LLMは質問応答やコーディングで評価できます。
ロボット基盤モデルは、評価が複雑です。
・タスク成功率
・未学習物体への一般化
・別のロボット身体への移行
・照明・背景変化への耐性
・人間指示の理解
・長時間タスクの完了率
・衝突回数と物体破損
・エネルギー消費と推論遅延
・遠隔介入回数
一回の成功動画では不十分です。
同じ作業を数百回行い、失敗種類、復旧能力、性能劣化を測る必要があります。
NVIDIAがGR00T評価環境を標準化できれば、モデル性能比較のルールも握れます。
ベンチマークを握る企業は、開発方向と市場評価へ影響できます。
【Isaac Lab-Arenaによる評価標準化】
ロボット基盤モデルでは、デモ動画だけでは性能を比較できません。
Isaac Lab-Arenaは、多数の環境条件で同じタスクを並列評価するためのフレームワークです。
NVIDIAの事例では、電子レンジの扉を開ける操作を、4,096種類の環境変化で評価しています。
GPU並列化により、従来一日かかった評価を一時間未満へ短縮できると説明されています。
照明、物体位置、摩擦、背景、ロボット初期姿勢を変え、成功率と失敗種類を測ります。
NVIDIAが評価環境を広く普及させれば、GR00Tだけでなく他社VLAの比較ルールにも影響を持てます。
計算基盤を握るだけでなく、何を「優秀なロボット」と呼ぶかという評価基準まで握る可能性があります。
【フィジカルAIのサイバーセキュリティ】
ロボットがネットワーク接続され、モデルをOTA更新するほど、攻撃面が広がります。
・カメラ映像の漏洩
・遠隔操作の乗っ取り
・モデル更新の改ざん
・センサー入力への攻撃
・工場ネットワークへの侵入
・安全停止機能への妨害
NVIDIAはハードウェアRoot of Trust、セキュアブート、暗号化、分離、安全OSを提供します。
しかし、完成システムでは、クラウド、ロボット、工場IT、保守端末まで守る必要があります。
フィジカルAIのサイバー攻撃は、情報漏洩だけでなく物理事故へつながります。
日本企業は、ロボットSOC、脆弱性管理、更新署名、インシデント対応を製品価格へ含める必要があります。
第11章 エコシステムと主要企業のケーススタディ
Boston Dynamics、Agility Robotics、Figure AI、1X、Apptronik、Sanctuary AI、Amazon Robotics、FANUC、日立、Techman Robotなど、多様な企業がNVIDIA基盤と接点を持ちます。
研究機関ではStanford、ETH Zurich、UC San Diego、Ai2などがGR00T参照設計を使います。
強さは互換性です。研究成果を別の身体へ移しやすくする。シミュレーション資産を共有する。ハードウェア企業がGR00T対応を売りにする。ネットワーク効果が生まれます。
ただし、各社が独自モデル、独自ランタイム、独自データを重視すれば、NVIDIAはチップ供給者へ後退します。
エコシステムは、囲い込みが強すぎても広がらず、開放しすぎても収益化できません。その均衡が重要です。
この構図は、スマートフォンのAndroidに似ています。GoogleがAndroidを配り、多くのメーカーが採用したように、NVIDIAはIsaacとGR00Tを配り、多くのロボットメーカーに採用させようとしています。ただし、Androidが広告とアプリ配信で稼いだのに対し、NVIDIAはGPUとエッジチップという「物理的な製品」で稼ぎます。ロボットが増えるほど、その頭脳となるチップが売れる。この「つるはし」の構造が、NVIDIAの収益の源です。
【Hugging Face LeRobotとの連携】
2026年7月6日、NVIDIAとHugging Faceは、GR00T 1.7とIsaac TeleopをLeRobotへ統合する方針を発表しました。
LeRobotは、ロボット学習用のオープンソースライブラリ、モデル、データセットを集めるコミュニティ基盤です。
この連携により、研究者はGR00Tのモデル、遠隔操作、データ収集、Jetson Thorへの配置を、より一般的なオープンロボット開発環境から利用しやすくなります。
Reachy 2へのJetson Thor統合、Cosmos 3の将来連携も示されています。
NVIDIAにとって重要なのは、CUDAと同じように、大学、スタートアップ、個人研究者が最初に触る開発環境へ入ることです。
大企業との提携だけでなく、オープンコミュニティの標準を取ることが、将来の採用を左右します。
【主要ロボット企業の事例】
【Boston Dynamics Atlas】
Boston Dynamicsは、ロボットの運動性能と機械設計で世界を代表する企業です。
Atlasの価値は、歩行や宙返りの派手さだけではありません。
工場で部品を持ち、狭い場所を移動し、全身を使って作業する能力を目指します。
新型電動Atlasでは、従来の人間型関節配置に縛られず、関節を大きく回転させる設計が採用されました。
NVIDIAとの関係では、次の層が重要です。
・シミュレーション
・認識モデル
・Jetson系エッジ計算
・デジタルツイン
しかし、Boston Dynamicsの中核である全身運動制御、機械設計、安全制御は同社独自です。
この事例は、NVIDIAがロボット企業を置き換えるのではなく、AIと計算の共通部分へ入ることを示します。
Atlasが商用工場へ入る場合、成功を決めるのは、GR00T対応より、Hyundai工場での連続稼働、部品供給、保守、安全認証です。
【Agility Robotics DigitとHalos】
Agility RoboticsのDigitは、物流・倉庫向けに商用導入を先行する二足ロボットです。
Digitは、人間の作業場所でトートや箱を運ぶことを狙います。
AgilityがHalos for Roboticsの初期パートナーになった意味は大きい。
倉庫で人間と同じ空間を歩く二足ロボットは、AI性能だけでなく、転倒、挟み込み、速度、停止距離を管理しなければなりません。
Halosは、IGX Thor、センサー接続、Safety Island、Halos OS、認証支援を提供します。
Agilityは、自社の安全システムとHalosの要素を組み合わせます。
最終的な安全認証はDigitという完成システムに対して行われます。
NVIDIAが提供するのは、安全な部品と開発工程であり、完成品の責任を引き受けることではありません。
この役割分担は、フィジカルAI産業の標準になる可能性があります。
【Amazon Roboticsと倉庫AI】
Amazonは、世界最大級の倉庫ロボット運用企業です。
棚搬送ロボット、仕分け、アーム、AMR、視覚検査を大規模に使います。
Amazonの価値はロボット台数だけでなく、注文、在庫、作業者、配送を統合する運用データにあります。
NVIDIAのIsaac、Jetson、Omniverseは、認識、シミュレーション、エッジ推論へ使えます。
しかし、倉庫全体の最適化はAmazon独自の物流ソフトウェアが握ります。
この事例は、NVIDIAが計算基盤を提供しても、最終的な利益を生む業務アルゴリズムは顧客側に残ることを示します。
ロボット企業にとって最も重要な資産は、モデルウェイトではなく、作業割り当て、在庫、例外処理、復旧の運用知識です。
【FANUC・安川電機・川崎重工業】
日本の産業ロボットは、高精度、高耐久、リアルタイム制御で世界的な強みを持ちます。
従来の産業ロボットは、事前に教示された軌道を高速・正確に繰り返します。
生成AIとVLAが加わると、自然言語、未整列物体、柔軟な工程変更へ対応できます。
NVIDIAは、Isaac Manipulator、cuMotion、FoundationPose、GR00T、Thorを提供します。
FANUCなどが持つのは、
・サーボ制御
・機能安全
・保守網
・工場顧客
・長期部品供給
NVIDIAが持つのは、
・GPU
・視覚・生成AI
・シミュレーション
・基盤モデル
両者の組み合わせは強力です。
ただし、日本企業がNVIDIAのデモを自社製品へ載せるだけでは、差別化できません。
自社顧客の作業データと安全評価を蓄積し、業種別Skillとして商品化する必要があります。
第12章 NVIDIA Roboticsの収益モデルとプラットフォーム経済
収益は一つの製品料金ではありません。
学習用GPU。クラウドGPU。Jetsonモジュール。IGXとDRIVE。Omniverse Enterprise。SDK、サポート、ネットワーク、サーバー。
ロボットが増えるほど、訓練、推論、再学習の需要が増えます。理想は、ロボット販売時だけでなく、開発から運用まで継続的に計算需要が発生することです。
ただし、ロボット市場は生成AIデータセンターほど短期間に巨大売上になるとは限りません。機械の量産、保守、規制、現場導入には時間がかかります。
価値は現在の単独売上より、2030年代の計算需要を先に標準化することにあります。
ここに、NVIDIAの時間軸の長さがあります。生成AIのデータセンター需要は、いますぐ莫大な売上を生んでいます。対してロボティクスは、機械の量産や規制対応に時間がかかり、売上化は遅い。しかしNVIDIAは、いま基盤を配って標準を握れば、ロボットが普及する2030年代に、その全需要を取り込めると考えています。目先の収益ではなく、次の10年の地ならしをしているのです。
【なぜ「ロボット版Android」ではないのか】
NVIDIAはしばしば、ロボットのAndroidと表現されます。
しかし、正確には異なります。
Androidは完成端末のアプリ、UI、OSを広く標準化しました。
NVIDIAは、リアルタイム制御、機能安全、モーター制御、ロボット固有OSを完全には置き換えません。
ROS 2、メーカー独自OS、安全PLC、RTOSと共存します。
NVIDIAが狙う位置は、CUDA、AIランタイム、シミュレーション、基盤モデル、エッジ計算の組み合わせです。
つまり、ロボット版Androidというより、
ロボット版CUDA。
ロボット版AIクラウド。
ロボット版Unreal Engine。
ロボット版安全コンピュート。
これらを一社で統合した存在です。
この違いを理解すれば、NVIDIAがロボットメーカーを完全に置き換えるのではなく、メーカーの上流・下流へ深く入り込む戦略が見えます。
第13章 競合構図――Google、Qualcomm、AMD、Tesla、中国勢
Google DeepMindはGemini Roboticsと基盤モデルを開発します。Android、Cloud、TPU、Geminiを持ち、モデルとクラウドで競合します。
Qualcommは省電力エッジAI、車載、ロボット向けSoCを持ち、価格と電力効率で強い。2026年1月のCES 2026では、ヒューマノイドと産業用AMR向けの「Dragonwing IQ10」シリーズを発表し、Jetsonへの正面からの挑戦を明確にしました。20台以上のカメラに加えてLiDARやレーダーを扱え、ROS 2に対応し、フリート管理までを一括提供します。同年6月のComputexでは、計算・センサー接続・安全・ソフトウェアを一つに束ねた「Robotics Reference Design」を公開し、6月に早期提供、9月に一般提供という日程を示しました。
注目すべきは、その顔ぶれです。Figure、KUKA Robotics、NEURA Robotics、Booster、VinMotionといった企業が、評価や採用の側に並びました。QualcommはArduinoの買収も済ませており、開発者の裾野まで押さえにきています。
Qualcommの主張は明快です。ロボットの現場で本当に問われるのは、最高性能ではなく、電力と価格と統合の手間である、と。第16章で見るように、これはNVIDIAの弱点を正確に突いた論点です。
AMDはGPUと組み込みCPU、ROCmを進めます。
Teslaは自社ロボットと車両のために専用AI計算、データ、モデルを垂直統合します。
中国ではHuawei Ascend、地平線、各種国産計算機が広がります。米中分断が進めば、NVIDIAが中国で完全標準になることは難しい。
競争は最高性能だけでなく、価格、電力、供給安定性、オープン性、規制、地域サポート、開発者数で決まります。
とくに注目すべきは、Teslaと中国勢です。Teslaは、車とヒューマノイドOptimusのために、AIチップからモデルまで自前で垂直統合しています。NVIDIAの基盤を使わない、数少ない企業です（第2回で詳しく見ます）。中国勢は、米中の技術分断のなかで、国産チップとロボットを一体で育てています。NVIDIAがどれだけ強くても、中国市場で完全な標準になるのは難しい。この二つが、NVIDIA一強を崩す可能性を持つ勢力です。
【Google Gemini Roboticsとの違い】
NVIDIAとGoogleは、どちらもロボット基盤モデルを狙います。
Google DeepMindは、Geminiの言語・視覚推論をロボット行動へ広げます。
強みは、巨大な汎用AIモデル、検索、動画理解、クラウドです。
NVIDIAの強みは、モデルだけでなく、GPU、シミュレーション、ROS、エッジ推論、安全まで持つことです。
Googleは「知能モデル」から下へ降りる。
NVIDIAは「計算・シミュレーション」から上へ上がる。
両社が競合しながら協調する可能性もあります。
Gemini RoboticsをNVIDIA GPUで学習し、Jetsonで動かす構造です。
長期的には、ロボット企業が一社へ全面依存せず、Googleモデル、NVIDIA基盤、自社制御を組み合わせる可能性が高い。
NVIDIAの勝利条件は、GR00Tが最強モデルになることではありません。
他社モデルを使う場合でも、Isaac、Omniverse、Thorが必要であり続けることです。
第14章 弱点・ロックイン・総保有コスト
第一に、NVIDIA依存への警戒です。ロボットの頭脳という最も重要な部分を、一社へ委ねたくない企業は少なくありません。とくにTeslaやGoogleのような巨大企業は、自前で作る道を選びます。
第二に、価格と電力です。研究段階では高性能なチップが便利でも、量産する製品では、部品コスト（BOM）と消費電力が厳しく効いてきます。数千台、数万台を作るとき、高価で電気を食うチップは採用しにくい。
第三に、シミュレーションと現実の差（Sim-to-Real Gap）です。仮想空間で成功しても、現実では失敗します。この差を完全には埋められません。
第四に、安全責任です。NVIDIAが安全基盤を提供しても、事故が起きたときの最終的な責任は、ロボットメーカーと利用企業に残ります。
第五に、オープン戦略の境界です。NVIDIAは「オープン」を掲げますが、公開モデルを使うにもGPU、CUDA、ライセンスへの依存は残ります。真の自由ではありません。
第六に、顧客との競合です。NVIDIAが参照ロボットや基盤モデルを深く作り込むほど、完成ロボットを作る企業は「競合になるのでは」と警戒します。
第七に、市場の速度です。ヒューマノイドの量産が遅れれば、NVIDIAの投資回収も遅れます。ロボット普及の時期は、まだ不確実です。
【NVIDIA依存の総保有コスト】
NVIDIA基盤の費用は、Jetsonモジュール価格だけではありません。
学習GPU。
クラウド利用。
Omniverseサーバー。
開発者。
ライセンス。
モデル最適化。
長期サポート。
アップグレード。
サイバーセキュリティ。
量産時の供給保証。
開発段階では統合環境により人件費を減らせます。
量産段階では、一台当たり数百ドルの差が数万台で大きくなります。
企業は、初期開発速度と量産BOMを分けて評価すべきです。
学習と試作はNVIDIA。
量産の一部は低価格SoC。
安全制御は専用マイコン。
という分業もあり得ます。
NVIDIAが量産まで残るには、性能だけでなく、電力、価格、供給、認証で価値を示す必要があります。
第15章 日本戦略――Cosmos 3 Edge、日本企業陣営、Noetra
日本は産業ロボット、減速機、モーター、センサー、工作機械、工場運用で強い。
弱いのは、ロボットデータ共有、基盤モデル、シミュレーション資産、ソフトウェア更新速度です。
NVIDIAを使えば弱い部分を短期間で補えます。FANUC、安川、川崎、デンソー、三菱電機、オムロン、日立、建機企業はIsaacとOmniverseを活用できます。
しかし、海外基盤を導入するだけでは、産業価値が計算基盤側へ流れます。
日本企業が持つべきものは、工程データ、熟練者判断、異常データ、品質基準、安全設計です。
NVIDIAは道具として使い、業務知識と学習データを自社資産にする必要があります。
日本には、世界に誇る強みがあります。FANUC、安川電機、川崎重工、デンソー、三菱電機、オムロンといった、産業ロボットの世界的企業。減速機やモーターやセンサーといった、ロボットの「体」を支える精密部品。そして、工場を効率よく回す現場の運用力です。
弱いのは、ソフトウェアとデータの層です。ロボットの動作データを集めて共有する仕組み、基盤モデル、シミュレーション資産、そして継続的にソフトを更新する速度。ここで、米国企業に後れを取っています。
NVIDIAの基盤は、この弱点を短期間で補う道具になります。しかし、道具を借りるだけでは、価値の中枢が計算基盤側（NVIDIA)へ流れてしまう。日本企業は、NVIDIAを使いこなしつつ、自分たちにしかない現場データと業務知識を、手放さずに握り続ける必要があります。
ここで、日本にとって象徴的な動きに触れておきます。
2025年10月、ソフトバンクグループは、スイスABBのロボティクス事業を約53億7,500万ドルで買収すると発表しました。ABBのロボット部門は、従業員約7,000人、2024年の売上約23億ドル。ABBは、この事業を分離上場する計画を取りやめ、売却を選びました。手続きは規制当局の承認を経て、2026年半ばから後半に完了する見込みとされます。
孫正義氏は、この買収をこう説明しました。ソフトバンクの次のフロンティアはフィジカルAIである、と。
同社は先立って、ロボット関連資産をまとめる持株会社Robo HDを設立し、Agile RobotsやSkild AI（本シリーズ第6回で扱います）を含む十数社をその傘下へ移しています。
これは、日本の資本が、欧州の産業ロボットの中核を買い、フィジカルAIの担い手になろうとする動きです。日本企業には、NVIDIAの基盤を「使う」道だけでなく、産業ロボットの資産そのものを「持つ」道もある。ソフトバンクの一手は、その選択肢を示しています。
ただし、統合には難しさもあります。ITを本業とする企業文化と、100年近い産業機械の技術文化を、どう噛み合わせるか。産業ロボットにおけるAIの商用化は、プログラミング支援や視覚誘導など、まだ初期段階です。買収が成果を生むかは、これからの実装で決まります。
【日本のフィジカルAI基盤】
2026年7月、NVIDIAは日本のロボット・製造企業がCosmos、Isaac、Metropolis、Jetsonを活用していると発表しました。
日本にとって重要なのは、NVIDIAを導入するか否かではありません。
どの層をNVIDIAへ任せ、どの層を日本側の資産として残すかです。
【産業ロボットメーカー】
FANUC、安川電機、川崎重工などは、リアルタイム制御、耐久性、機械安全、保守で強い。
NVIDIAは、自然言語理解、視覚、シミュレーション、生成AIを補えます。
【総合電機・SI企業】
日立、三菱電機、NEC、富士通は、工場、鉄道、電力、公共システムとの接続を持ちます。
OmniverseとMetropolisを使い、設備データとAIを統合できます。
【自動車・部品】
トヨタ、ホンダ、デンソー、アイシンは、自動運転、工場ロボット、車載計算でThorやCosmosと接点を持ちます。
【建機・農機】
コマツ、クボタ、ヤンマーは、閉鎖・限定環境での自律化に強い。
公道より規制が少なく、フィジカルAIの初期市場になり得ます。
日本が守るべき資産は、現場工程、異常、品質、安全、保守のデータです。
モデルと計算機を購入しても、現場知識まで海外へ依存してはいけません。
【2026年7月、日本のフィジカルAI陣営がCosmosへ集結】
2026年7月15日、NVIDIAは日本のロボット・製造企業による新たなフィジカルAI展開を発表しました。
今回の重要点は、単なる「日本企業によるNVIDIA採用」ではありません。
NVIDIAは、Cosmos 3 Edgeを発表しました。
Cosmos 3 Edgeは、Jetson Thor上でオンデバイスの視覚推論とロボットポリシー配置を行うためのエッジ向けモデルです。
データセンターで巨大な世界モデルを動かすだけでなく、工場、ロボット、カメラの近くで物理世界を理解し、判断する方向へ進みます。
Cosmos 3 Edgeは40億パラメータで、Jetsonのような端末上で効率的に動くよう設計されています。
また、AIRoA、FANUC、富士通、日立製作所、川崎重工業、クボタ、NEC、ソフトバンク、ソニーグループ、安川電機が、Cosmos Coalitionへの参加意向を示しました。
NVIDIAの公式発表では、参加意向を示した日本企業はさらに広がります。classmethod、Enactic、GROOVE X、Honda R&D、三井物産、三菱商事、Mujin、Preferred Networks、Telexistence、TIER IV、TRON、Turing、清水建設なども名を連ねます。
産業ロボットの老舗から、日本を代表するAI企業（Preferred Networks）、自動運転（TIER IV、Turing）、物流ロボット（Mujin）、家庭用ロボット（GROOVE X）、商社まで。日本のフィジカルAIに関わる主要な顔ぶれが、ほぼ揃った形です。
富士通は、FANUC、安川電機、川崎重工業とともに、フィジカルAI向けの協調制御基盤の開発を検討しています。用途は分担されており、富士通とFANUCが製造、安川電機が小売・流通、川崎重工業が医療を担うとされます。
注目すべきは、富士通自身の説明です。同社はこの基盤を「デジタルとフィジカルの世界を橋渡しし、主権を確保する協調制御プラットフォーム」と表現しました。NVIDIAのオープンなフィジカルAI技術を取り込みながら、主権という言葉を使っている。ここに、日本側の意図が表れています。
さらに、Enactic、Honda R&D、GROOVE X、三井物産、オムロン、清水建設、TelexistenceなどもNVIDIAのフィジカルAIスタック上で開発を進めています。具体例も示されました。クボタはCosmosを使った自動農機、Enacticは介護ロボット向けにIsaac GR00Tを微調整、川崎重工業は医療・造船・航空宇宙・輸送・エネルギーへ展開、ソフトバンクはCosmos、Omniverse、Isaac Simを使った開発基盤を構築しています。NVIDIAはこのほか、トヨタのWoven Cityとの技術協力、日立との「自律工場」実証、オムロンとの半導体基板検査の精度向上でも協業を発表しました。
Jensen Huangは、この場でこう述べています。日本は近代的な製造業を発明した。いま、それを知能化した産業の時代へ作り直す機会がある、と。
この発表が示すのは、日本企業が個別にNVIDIA GPUを購入する段階から、共通の世界モデル、データ、評価、制御基盤を共同形成する段階へ移ろうとしていることです。
一方、日本側が守るべき資産は変わりません。
・工場工程
・熟練作業
・異常データ
・機械安全
・顧客固有の運用
NVIDIAのCosmosを利用しながら、この現場データを日本企業の共同資産へできるかが、今後の競争力を決めます。
【Noetraと日本の国家AIインフラ】
2026年7月16日、NVIDIAはNoetra Corp.と、日本の国家的フィジカルAI基盤を支えるVera Rubin AI Factoryを発表しました。NVIDIAはこれを「世界初の、フィジカルAIのための国家AIインフラ」と位置づけています。
まず、Noetraとは何か。
これは、ソフトバンク、ソニー、NEC、ホンダが設立した新しいコンソーシアムです。44の企業・団体が出資しています。Noetraは産業技術総合研究所（AIST）などと研究開発体制を構築し、2026年6月30日にNEDOのAI開発事業への採択を発表しました。NVIDIAは、この計算基盤が経済産業省の支援を受けるFRONTiaプロジェクトの基盤になると説明しています。
FRONTiaの正式名称は「AIロボティクス・フィジカルAIを見据えたマルチモーダル基盤モデルの開発」です。
規模を整理します。
13,750基のVera CPUと27,500基のRubin GPU。これらはVera Rubin NVL72ラック382台（1ラックあたりRubin GPU 72基とVera CPU 36基）に収まります。データセンター容量は140メガワット。NVIDIAのDSXプラットフォーム上に構築され、Spectrum-X Ethernetで接続されます。将来的には、1兆パラメータ規模のモデル学習を支える計画です。
事業規模については、初年度約3,800億円、2030年度までに最大1兆円規模となる可能性が報じられています。ただし、NoetraとNVIDIAの公式発表が明示している中心情報は、27,500基のRubin GPU、13,750基のVera CPU、140MWの設備計画です。予算総額は年度審査や政府決定で変わり得るため、確定支出として扱うべきではありません。
これは、単なる大規模言語モデル向けデータセンターではありません。
ロボット、自動運転、産業AI、世界モデルの学習とシミュレーションを国内で行う計算基盤として位置付けられています。ロードマップでは、2026年度に推論基盤モデル、2028年度までに文章・画像・動画・音声を扱うオムニモーダルモデルを開発する計画です。
そして、日本にとって最も重要なのは、次の点です。
Noetraは、研究開発と社会実装の状況を見ながら、開発モデルの外部提供・公開を順次進める方針を示しています。現時点で、すべての事前学習済み重みを無条件に公開すると確定したわけではありません。NVIDIAのNemotron、Cosmos、Isaac GR00Tのオープンモデル、NeMoライブラリなどと組み合わせて使える形です。
つまり、計算基盤はNVIDIA製でも、そこで学習されたモデルは日本国内で共有される設計になっています。海外の基盤を「借りる」だけでなく、その上で作った資産を国内へ残す。この構造が成立するかどうかが、日本のフィジカルAI戦略の成否を分けます。
なお、日本のAIロボティクス戦略（2026年3月策定）は、2040年に世界のAIロボティクス市場で30%超のシェアを獲得することを目標に掲げています。
日本がフィジカルAIで主導権を持つには、現場データだけでなく、そのデータを国内で学習できる計算能力が必要です。
NVIDIA依存というリスクは残りますが、国内計算基盤を持たない場合より、データ主権と産業実装の選択肢は広がります。
この国家AIインフラと、FANUC・安川・川崎重工などのロボット資産、Cosmos Coalitionが接続すれば、日本独自のフィジカルAIデータ循環を形成できる可能性があります。
【日本が自社資産にすべきもの】
第一に、製造、物流、介護、建設、農業の行動データ。
第二に、日本語、専門用語、騒音を含む実務評価セット。
第三に、用途別の危険分析、停止条件、承認、事故対応。
第四に、NVIDIA以外へも移行できるハードウェア抽象化。
第五に、工場、設備、部品、工程のデジタルツイン資産。
第六に、更新、保守、フリート、成果課金を含む運用ソフトウェア。
国産基盤はNVIDIAを排除するものではありません。NVIDIA上でも他社上でも動くデータ、評価、運用層を持つことです。
重要なのは、「どのチップの上でも動く」形で、自社の資産を持つことです。今日はNVIDIAが最強でも、明日は別のチップが安く優れているかもしれません。そのとき、データと評価基準と運用ソフトが特定の基盤に縛られていなければ、乗り換えられます。逆に、すべてをNVIDIAに預けてしまえば、価格も条件も、相手の言い値になります。日本企業に必要なのは、基盤を使う自由と、基盤から離れる自由の、両方を保つことです。
第16章 導入企業の実務――チェックリストとPoCから量産まで
採用前に、モデル性能だけでなく、ライセンス、GPU供給、量産BOM、消費電力、ROS 2接続、機能安全、OTA、ログ所有権を確認します。
開発用GPUと量産用モジュールを分け、ONNXやTensorRTへの変換、別ハードウェアへの移行可能性を検証します。
シミュレーション資産はOpenUSD中心に管理し、特定ツールのプロジェクト形式へ閉じ込めないことが重要です。
データでは、実演者同意、個人情報、工場機密、国外移転、学習利用範囲を契約で明確にします。
事故・失敗データを外部基盤へ渡す場合、そのデータから作られたモデルや改善結果を誰が利用できるかも決めます。
最終評価は、NVIDIAを使ったかではなく、作業成功率、停止時間、介入回数、エネルギー、保守費がどう変わったかで行います。
【PoCから量産へ進む七段階】
最初は一つの作業と一つの身体に限定し、人間の成功例と失敗例を集めます。次にIsaac Simで作業空間を再現し、センサー位置、照明、障害物を変えます。
第三段階では、実演データと合成データを分けて評価し、現実で性能が下がる条件を特定します。第四段階では、モデルをJetsonへ配置し、遅延、温度、電力、メモリを測ります。
第五段階では、安全PLC、緊急停止、速度制限、作業区域を統合します。第六段階では、複数台のフリート、充電、保守、更新、ログを運用します。
第七段階では、成功率ではなく、時間当たり処理量、停止時間、介入率、事故リスク、総保有費用で量産可否を決めます。
この七段階を飛ばし、研究デモから大量導入へ進むと、モデル性能が高くても現場で止まります。フィジカルAIの価値は、モデル、身体、安全、運用が同時に成立した時に初めて生まれます。
第17章 2030年までの三つのシナリオ
【シナリオA NVIDIAがロボットのCUDAになる】
GR00T、Isaac、Omniverse、Jetson Thorが標準となり、多くの企業がNVIDIA上で開発します。完成ロボットは分散しても、計算基盤は集中します。
【シナリオB 巨大企業が独自スタックを持つ】
Tesla、Google、Amazon、中国大手が独自チップ、モデル、シミュレーションを構築します。NVIDIAは中堅と研究機関の標準になります。
【シナリオC 複数基盤市場になる】
ROS 2、OpenUSD、オープンVLA、複数チップが共存します。学習はNVIDIA、量産推論は別チップ、安全は専用制御器という使い分けが進みます。
最も可能性が高いのはAとCの組み合わせです。開発時はNVIDIA統合環境が強く、量産時は価格と用途で分散します。
言い換えれば、ロボットを「作る」段階ではNVIDIAが標準を握り、大量に「動かす」段階では、より安く電力効率の良いチップへ分散する。学習と開発の中枢は押さえるが、量産推論のすべては取れない。これが、現実的な着地点です。
第18章 結論――NVIDIAはロボットの「CUDA」を作れるか
NVIDIA Roboticsの本質は、ヒューマノイドを一台作ることではありません。
Isaacは開発環境。Omniverseは仮想世界。Cosmosは物理データ。GR00Tは基盤モデル。Jetson Thorは実機推論。Halosは安全アーキテクチャ。
これらが一つの循環になります。
成功すれば、CUDAを使わず生成AIを作ることが難しかったのと同じように、IsaacとJetsonを使わずロボットを作ることが難しくなります。
しかし、ロボットはクラウドAIより複雑です。機械、安全、現場、規制、保守は一社のソフトウェアだけでは支配できません。
NVIDIAは中枢を握れても、身体と現場まで独占するわけではない。
この境界に、日本企業の機会があります。
NVIDIAが握るのは、あくまで「頭脳」の部分です。ロボットの「体」を作る技術、現場を知る運用力、安全を保証する仕組み、そして何より、その現場でしか集まらないデータ。これらは、NVIDIAには作れません。日本企業が長年培ってきた、ものづくりと現場の強みが、ここで生きます。
NVIDIAを恐れる必要も、盲信する必要もありません。道具として賢く使い、自分たちにしかない資産を握り続ける。それが、フィジカルAI時代を生き抜く道です。
次回は、NVIDIAとは正反対の道を行く企業を見ます。すべてを自前で作るTeslaです。
次回予告――Teslaを読む
第2回はTeslaです。
NVIDIAが「すべてのロボットメーカーに基盤を売る」なら、Teslaはその対極にいます。
車の自動運転（FSD）、Robotaxi、そしてヒューマノイドOptimusを、すべて自前のAIで動かそうとする垂直統合の巨人。NVIDIAの基盤を使わない数少ない企業が、車と人型ロボットを同じ頭脳で動かす野望を読み解きます。
主要参考資料・公式リンク
NVIDIA：Cosmos 3
https://nvidianews.nvidia.com/news/nvidia-launches-cosmos-3-the-open-frontier-foundation-model-for-physical-aiNVIDIA：Cosmos 3 Edgeと日本企業のCosmos Coalition参加方針
https://nvidianews.nvidia.com/news/japans-robotics-and-manufacturing-leaders-build-on-nvidia-cosmos-to-advance-physical-ai-frontierNVIDIA：Isaac GR00T Reference Humanoid Robot
https://nvidianews.nvidia.com/news/nvidia-open-humanoid-robot-reference-designNVIDIA：GR00T 1.7エンドツーエンド開発
https://developer.nvidia.com/blog/develop-humanoid-robot-policies-end-to-end-with-nvidia-isaac-gr00t/NVIDIA：Jetson Thor T3000／T2000
https://blogs.nvidia.com/blog/jetson-thor-robotics-edge-ai-agent/NVIDIA：Physical AI Agent Skills
https://nvidianews.nvidia.com/news/nvidia-releases-major-collection-of-open-source-agent-tools-and-skills-for-physical-aiNVIDIA：Hugging Face LeRobot連携
https://blogs.nvidia.com/blog/hugging-face-lerobot-models-frameworks-open-robotics/NVIDIA：Isaac Lab-Arena
https://developer.nvidia.com/isaac/lab-arenaISO：ISO/CD 25785-1
https://www.iso.org/standard/91469.htmlNoetra：国産マルチモーダル基盤モデル開発
https://www.noetra.co.jp/pressrelease20260716NVIDIA：日本の国家AIインフラ／Noetra
https://nvidianews.nvidia.com/news/japan-government-industrial-leaders-and-nvidia-launch-the-worlds-first-national-ai-infrastructure
・NVIDIA Isaac GR00T
https://developer.nvidia.com/isaac/gr00t
・GR00T開発ワークフロー
https://developer.nvidia.com/blog/develop-humanoid-robot-policies-end-to-end-with-nvidia-isaac-gr00t/
・GR00T Reference Humanoid Robot
https://nvidianews.nvidia.com/news/nvidia-open-humanoid-robot-reference-design
・Halos for Robotics
https://nvidianews.nvidia.com/news/nvidia-announces-halos-for-robotics-the-industrys-first-full-stack-safety-system-for-physical-ai
・Jetson Thor
https://developer.nvidia.com/embedded/jetson-thor
・Jetson T3000 / T2000
https://blogs.nvidia.com/blog/jetson-thor-robotics-edge-ai-agent/
・Isaac Sim
https://developer.nvidia.com/isaac/sim
・Omniverse
https://www.nvidia.com/omniverse/
・Cosmos
https://www.nvidia.com/cosmos/
【記事中の表記と数値について】
Isaac GR00T Reference Humanoid Robotは、2026年5月31日のGTC Taipeiで発表されました。
参照機は、NVIDIA公式ニュースリリースの表記に合わせ、Unitree H2 Plus、Sharpaの五指ハンド、Jetson Thor、GR00Tソフトウェアの組み合わせとして記載しています。一般出荷時期は公式に確定していないため、本稿では断定していません。
Jetson AGX Thor T5000は、Blackwell世代GPU、FP4で2,070TFLOPSのAI性能、128GB統合メモリを備えます。
Cosmos Coalitionの創設メンバーは、Agile Robots、Black Forest Labs、Generalist、LTX、Runway、Skild AIです。Doosan Robotics、LG Electronics、Samsung Electronics、Li Autoなどは、Cosmosの採用・活用企業として区別しています。
Cosmos 3は、Mixture-of-Transformersを採用したomnimodelとして、Super 32BとNano 8Bを展開し、Open Model Licenseで提供されます。
Cosmos 3 Edgeは40億パラメータのエッジ向けモデルとして、Jetson Thor上での視覚推論とロボットポリシー配置を想定しています。
Noetraは、ソフトバンク、ソニー、NEC、Hondaなどが参加する日本のフィジカルAI基盤構想です。AISTとともにNEDO事業「FRONTia」を2026年度から2030年度に進め、国内で事前学習済みモデルや計算基盤を広く利用できる環境の構築を目指します。資金規模や設備規模は年次審査・計画変更の可能性があるため、本稿では会社・政府発表の計画値として扱います。
出典対応表
・NVIDIAの三つのコンピューター（学習・シミュレーション・推論）、Isaac／Omniverse／Cosmos／GR00T／Jetson Thor／Halosの位置づけ：NVIDIA公式・GTC発表
・GR00T（Generalist Robot 00 Technology・VLA中心）、GR00T N1.7（3Bパラメータ・Action Cascade二層構造・System 2はCosmos-Reason2-2B/Qwen3-VL・System 1は32層DiT・EgoScaleで2万854時間の人間一人称動画により事前学習・「器用さのスケーリング法則」）：NVIDIA技術解説・GitHub・Hugging Face
・Isaac GR00T Reference Humanoid Robot（2026年6月・GTC Taipei発表・Unitree H2 Plus／Sharpa五指ハンド／Jetson Thor・出荷2026年後半見込み・Ai2／ETH Zurich／Stanford／UCSDが早期利用）：NVIDIA発表・報道
・Jetson AGX Thor（T5000・Blackwell世代GPU・FP4約2,070 TFLOPS・128GBメモリ・約40〜130W）、Thor系T3000／T2000（2026年7月）、採用・評価企業（Amazon Robotics／Boston Dynamics／Caterpillar／FANUC／日立／Medtronic／Meta／1X等）：NVIDIA公式・報道
・Halos for Robotics（IGX Thor／Holoscan Sensor Bridge／Halos OS等・Agility Roboticsが初期パートナー）：NVIDIA発表。「業界初」「唯一」は同社表現であり規格適合・製品認証を自動的に意味しない
・ISO/CD 25785-1（能動的に安定性を制御する産業用移動ロボット向け安全規格。二足・四足・自己平衡型を含む。2025年5月に新規プロジェクト登録、2026年5月に委員会原案協議、同年7月8日にコメント期間終了、DIS登録へ進む段階）：ISO公式。正式発行時期は未確定
・現行の適用枠組み（ISO 10218-1／10218-2、ANSI/A3 R15.06-2025、ISO 13849-1、IEC 62061、ISO 3691-4など）：ISO・A3。歩行ロボット固有の転倒・動的安定性リスクは、用途・施設・運用を含む個別リスクアセスメントが必要
・競合（Google DeepMind Gemini Robotics、Qualcomm、AMD、Tesla、中国勢のHuawei Ascend・地平線）：報道ベース
・Qualcomm Dragonwing IQ10（2026年1月CES発表・ヒューマノイド／産業AMR向け・20台超のカメラとLiDAR／レーダー対応・ROS 2対応、2026年6月Computexで Robotics Reference Design を公開・6月早期提供／9月一般提供、評価・採用側にFigure／KUKA Robotics／NEURA Robotics／Booster／VinMotion等、Arduino買収）：Qualcomm発表・報道。性能値は同社公表値
・ソフトバンクグループによるABBロボティクス事業の買収（2025年10月発表・約53億7,500万ドル・ABB Roboticsは従業員約7,000人／2024年売上約23億ドル・ABBは分離上場を取りやめ・完了は規制承認を経て2026年半ば〜後半見込み・持株会社Robo HDにAgile RobotsやSkild AI等を移管）：ABB／ソフトバンク発表・報道。統合の成否は今後の実装による
・NVIDIAが「オープン」とする範囲（ウェイト・コード・データセット・Blueprint）はモデルごとのライセンス・商用条件・ハードウェア要件の確認が必要：NVIDIA公式
・ロボティクス単独売上は開示が限定的。本文の収益構造は一般的な整理であり、個別の売上値ではない
・NVIDIA：Cosmos 3
https://nvidianews.nvidia.com/news/nvidia-launches-cosmos-3-the-open-frontier-foundation-model-for-physical-ai
・NVIDIA / Hugging Face：LeRobot連携
https://blogs.nvidia.com/blog/hugging-face-lerobot-models-frameworks-open-robotics/
・NVIDIA：Isaac Sim 6.0とPhysical AI Agent Skills
https://blogs.nvidia.com/blog/cvpr-physical-ai-research-agent-skills/
・NVIDIA：Isaac Lab-Arena
https://developer.nvidia.com/blog/simplify-generalist-robot-policy-evaluation-in-simulation-with-nvidia-isaac-lab-arena/
・Cosmos 3（2026年5月31日・GTC Taipei／Computex 2026で発表・Mixture-of-Transformers構造・text/image/video/ambient sound/actionを扱うomnimodel・20兆トークンで学習・Super 64B／Nano 16B・従来のPredict／Transfer／Reason／Policyを統合・NVIDIA Open Model Licenseで商用利用と派生配布を許容・重みはHugging Face、学習スクリプトとデータセットはGitHubで公開・合成データセット6種を同時公開）：NVIDIA公式発表
・Cosmos Coalition創設メンバー（Agile Robots、Black Forest Labs、Generalist、LTX、Runway、Skild AI）：NVIDIA公式発表。Cosmosの採用企業（1X、AGIBOT、Agility Robotics、Boston Dynamics、NEURA Robotics等）とは区別が必要
・NVIDIA：日本のロボット・製造企業とCosmos 3 Edge
https://nvidianews.nvidia.com/news/japans-robotics-and-manufacturing-leaders-build-on-nvidia-cosmos-to-advance-physical-ai-frontier
・NVIDIA：Noetraと日本の国家AIインフラ
https://nvidianews.nvidia.com/news/nvidia-vera-rubin-opens-agentic-ai-frontier
・日本のフィジカルAI展開（2026年7月15〜16日・東京・Jensen Huang来日、Cosmos Coalitionへの参加意向：AIRoA、classmethod、Enactic、FANUC、富士通、GROOVE X、日立、Honda R&D、川崎重工業、クボタ、三井物産、三菱商事、Mujin、NEC、Preferred Networks、ソフトバンク、ソニーグループ、Telexistence、TIER IV、TRON、Turing、安川電機。Cosmos 3 Edgeは40億パラメータ）：NVIDIA公式発表
・富士通・FANUC・安川電機・川崎重工業の協調制御基盤（富士通は「主権を確保する」と説明、用途分担は富士通/FANUC＝製造、安川＝小売・流通、川崎＝医療）、トヨタWoven Cityとの技術協力、日立の自律工場実証、オムロンの基板検査：各社公式発表・報道。いずれも検討・実証段階を含む
・Noetra Corp.（ソフトバンク・ソニー・NEC・ホンダが設立、44社・団体が出資。AISTとともに2026年6月30日にNEDO公募を獲得し、経済産業省FRONTiaプロジェクトを2026〜2030年度に運営）、Vera Rubin AI Factory（Vera CPU 13,750基・Rubin GPU 27,500基・NVL72ラック382台・140MW・DSXプラットフォーム・Spectrum-X Ethernet・将来は1兆パラメータ級の学習を想定）、事前学習済みの重みを国内へ広く提供する方針：NVIDIA公式発表・報道
・FRONTiaの資金（初年度3,873億円、5年で最大1兆円。初期2年を超える分は年次の段階審査によるため満額は保証されない）、日本のAIロボティクス戦略の2040年に世界シェア30%超という目標：報道ベース
ハッシュタグ
#欧米フィジカルAI2026
#NVIDIA
#NVIDIARobotics
#フィジカルAI
#ロボティクス
#ヒューマノイド
#Isaac
#IsaacSim
#IsaacLab
#GR00T
#Omniverse
#Cosmos
#JetsonThor
#Halos
#ロボット基盤モデル
#VLA
#世界モデル
#デジタルツイン
#合成データ
#産業ロボット
#安全認証
#ISO25785
#エッジAI
#GPU
#日本企業
