ロボットの大脳開発
LLM・推論・計画・タスク分解
ヒューマノイド開発ロードマップ・ソフトウェア編 第6回
前回の第5回では、VLAモデルについて整理しました。
VLAは、見る、言葉を理解する、行動するAIです。
人間が「赤い箱を棚に置いて」と言ったとき、ロボットは赤い箱を見つけ、棚を認識し、行動へつなげる必要があります。
しかし、VLAだけでは十分ではありません。
なぜなら、人間の指示は、もっと曖昧で、もっと複雑だからです。
たとえば、
「リビングを片付けて」
「Aラインに部品を補充して」
「倉庫の出荷準備を手伝って」
「この部屋を安全な状態にして」
「お客様を受付まで案内して」
「この棚の作業を終わらせて」
こうした指示は、単純な一動作ではありません。
複数の作業に分解する必要があります。
何から始めるのか。
何を確認するのか。
どの順番で動くのか。
どの作業は自律実行してよいのか。
どの作業は人間に確認すべきなのか。
結果をどこへ記録するのか。
このような判断を担うのが、ロボットの大脳AIです。
大脳AIは、フィジカルAIの中で「目的を理解し、作業を分解し、計画し、判断する層」です。
1. 大脳AIとは何か
ロボットの大脳AIとは、人間の指示や現場状況を理解し、何をすべきかを決める上位知能です。
人間でいえば、目的を理解し、段取りを考え、判断する部分です。
大脳AIは、以下を担当します。
自然言語指示の理解
目的の解釈
タスク分解
作業順序の計画
例外処理
現場ルールの参照
過去の記憶の利用
人間への確認
業務システムとの接続
作業結果の評価
たとえば、「キッチンを片付けて」と言われた場合、大脳AIはこう考えます。
まず何が散らかっているかを見る。
食器、ゴミ、調味料、道具を分類する。
食器はシンクへ運ぶ。
ゴミはゴミ箱へ入れる。
調味料は棚に戻す。
割れ物は慎重に扱う。
危険物は触らない。
最後に片付いたか確認する。
これは、一つの動作ではありません。
複数のサブタスクの集合です。
この分解を行うのが大脳AIです。
VLAが「見る・言葉・行動」をつなぐ層だとすれば、大脳AIは、より上位で「目的・計画・判断」を扱う層です。
2. LLMは大脳AIの重要部品である
近年、大脳AIの中心候補としてLLMが注目されています。
LLMは、言語理解、推論、要約、計画、対話に強い。
そのため、ロボットに人間の指示を理解させる上で非常に有効です。
しかし、LLMだけでロボットの大脳が完成するわけではありません。
LLMは言葉に強い。
しかし、現実世界の状態は、言葉だけではありません。
カメラ映像。
物体位置。
ロボットの姿勢。
人の動き。
設備の状態。
安全制約。
業務システムの指示。
過去の失敗ログ。
これらを統合する必要があります。
つまり、LLMは大脳AIの重要な部品ですが、大脳AIそのものではありません。
大脳AIは、LLM、世界モデル、VLA、スキルライブラリ、現場ルール、業務システム、記憶、安全制約を統合する上位制御層です。
ここを間違えると、ロボット開発は危険になります。
LLMに直接「何でも決めさせる」のではなく、LLMを計画・推論・対話の部品として使い、安全制約と実行管理の中に組み込む必要があります。
3. 大脳AIとVLAの違い
大脳AIとVLAは、混同されやすいです。
どちらも言語や視覚を扱うからです。
しかし、役割は違います。
VLAは、視覚と言語を行動へつなぐモデルです。
「赤い箱を取って」
という指示に対して、赤い箱を見つけ、行動へ変換します。
一方、大脳AIは、もっと上位の作業計画を扱います。
「リビングを片付けて」
という指示を、複数の作業に分解します。
床の物を拾う。
ゴミを分類する。
本を棚に戻す。
食器をキッチンへ運ぶ。
最後に確認する。
このように、大脳AIは、目的を作業手順に分解します。
VLAは、その中の個別行動を実行に近づけます。
つまり、
大脳AIは「何をどの順番で行うか」。
VLAは「目の前の状況を見て、どう行動に変えるか」。
この分担です。
実際、Google DeepMindのGemini Roboticsシリーズは、この階層をモデルアーキテクチャに組み込んでいます。Gemini Robotics-ER(Embodied Reasoning)が高位の計画と推論を担い、Gemini Robotics(VLA)が個別の行動実行を担う、エージェント型構成です。
Figure AIのHelix 02でも同様に、System 2が言語理解・計画、System 1が視覚から動作への変換、System 0が全身制御という階層に分かれています。
業界全体として、大脳AIとVLAを階層的に分けて連携させる設計が、有力なアーキテクチャの一つになりつつあります。
4. 大脳AIと世界モデルの関係
第3回で、世界モデルは「行動結果を予測するAI」だと整理しました。
大脳AIは、その予測を使って計画を立てます。
たとえば、ロボットが重い箱を運ぶとします。
世界モデルは、
この箱は重い。
この持ち方では滑りそうだ。
この経路は人と交差しそうだ。
この床では速度を落とした方がよい。
この姿勢だと転倒リスクがある。
と予測します。
大脳AIは、その予測をもとに、
別の持ち方を選ぶ。
台車を使う。
経路を変える。
人に確認する。
作業を中止する。
と判断します。
つまり、世界モデルは「どうなりそうか」を予測し、大脳AIは「どうすべきか」を決めます。
この連携が重要です。
大脳AIだけでは、現実の物理変化が分かりません。
世界モデルだけでは、目的や作業手順を作れません。
両方が必要です。
5. タスクプランナーの役割
大脳AIの中で特に重要なのが、タスクプランナーです。
タスクプランナーは、目的を実行可能な手順に分解します。
たとえば、工場で「Aラインに部品を補充して」と言われた場合を考えます。
タスクプランナーは、次のように分解します。
MESから必要部品を確認する
部品棚または倉庫の位置を確認する
対象部品を認識する
必要数を確認する
部品を掴む
Aラインまで安全に移動する
作業者の状態を確認する
指定位置に部品を置く
作業結果をMESへ返す
異常があれば人間に通知する
これは、単なる一動作ではありません。
現場システム、視覚認識、ロボット行動、安全確認、作業記録がつながっています。
大脳AIは、これらを作業手順としてまとめます。
ここで重要なのは、タスクプランナーが「行動の順番」だけでなく、「確認すべき条件」も扱うことです。
部品は正しいか。
作業者は近くにいないか。
ラインは受け取り可能か。
危険区域に入っていないか。
作業結果は記録されたか。
現場で働くロボットには、このような確認付きの計画が必要です。
6. 大脳AIには記憶が必要である
ロボットが現場で働くには、記憶が必要です。
どの棚に何があるか。
どの作業者がどの動線を使うか。
どの設備で過去に失敗したか。
どの部品は掴みにくいか。
どの時間帯は混雑するか。
どの作業は人間に確認すべきか。
こうした記憶がなければ、ロボットは毎回ゼロから判断することになります。
人間も同じです。
職場に慣れると、どこに何があるか分かります。
どの作業が危ないか分かります。
誰に確認すればよいか分かります。
過去の失敗から学びます。
ロボットにも、このような現場記憶が必要です。
大脳AIには、短期記憶と長期記憶の両方が必要です。
短期記憶は、今の作業の文脈です。
今何をしているか。
次に何をするか。
どこまで完了したか。
何を持っているか。
長期記憶は、現場で蓄積された経験です。
過去の失敗。
作業者の癖。
設備の配置。
作業標準。
安全ルール。
ヒヤリハット。
この記憶を使うことで、ロボットは現場に適応していきます。
実際、Physical Intelligenceは2026年に、ロボット基盤モデル向けに「Multi-Scale Embodied Memory(MEM)」という、長期記憶と短期記憶を統合する記憶アーキテクチャの研究を発表しています。MEMは、短期的な映像記憶と長期的な言語記憶を組み合わせ、10〜15分級の複雑な長時間タスクへ対応する方向性として重要です。
ここは、第1回で書いた「自社の現場データは育てるしかない」という話ともつながります。
大脳AIは、自社の現場データを使って賢くなる必要があります。
7. 大脳AIと業務システム
現場でロボットが働くには、業務システムとの接続が必要です。
工場ならMES。
倉庫ならWMS。
企業全体ならERP。
品質管理ならQMS。
保全ならEAM。
大脳AIは、これらのシステムから情報を受け取る必要があります。
どの作業をするのか。
どの商品を取るのか。
どの部品を運ぶのか。
どの順序で行うのか。
どこに結果を記録するのか。
どの作業は許可されているのか。
ロボット単体では仕事になりません。
業務システムとつながって初めて、ロボットの行動は業務になります。
たとえば、倉庫でロボットが商品を取る場合、WMSと連携する必要があります。
どの商品か。
何個か。
どの棚か。
出荷順はどうか。
ピッキング結果をどう記録するか。
工場なら、MESとつながる必要があります。
どのラインへ部品を供給するか。
いつ供給するか。
どの品番か。
作業履歴をどう残すか。
品質記録とどう紐づけるか。
ここは、日本企業が得意にできる領域です。
ERP、MES、WMS、QMSとロボットをつなぐ。
これは、フィジカルAI時代の重要なソフトウェア領域です。
8. 大脳AIと安全
大脳AIには、安全制約が必要です。
なぜなら、大脳AIは行動計画を作るからです。
計画が危険なら、下位のVLAや小脳制御がどれだけ優秀でも危険です。
たとえば、
人が近くにいるのに棚から重い箱を下ろす。
床が濡れているのに速く移動する。
危険物を人間確認なしで扱う。
高所の物を無理に取ろうとする。
作業者が使っている工具を勝手に移動する。
こうした計画は危険です。
大脳AIは、計画段階で危険を避ける必要があります。
そのためには、以下が必要です。
危険作業の禁止ルール
人間確認が必要な条件
作業範囲の制限
許可されたタスク一覧
不確実な場合の停止
ログ記録
人間への報告
安全は、最後に追加するものではありません。
大脳AIの計画段階から、安全制約を組み込む必要があります。
実際、Google DeepMindはGemini Robotics 1.5の発表時、ASIMOVベンチマークを用いた安全評価で、Gemini Robotics-ER 1.5が意味的安全性や物理的安全制約の理解に貢献したと説明しています。さらにGemini Robotics-ER 1.6でも、安全指示追従の改善が説明されています。VLAやVLMに対して、計画段階で安全制約を評価・組み込む流れは、重要な設計課題になりつつあります。
9. 大脳AIの主要プレイヤー
大脳AIは、LLM、VLM、VLA、タスクプランナー、世界モデル、業務システム連携が重なる領域です。
代表的な流れとして、以下があります。
Google DeepMind Gemini Robotics-ER
2025年9月にGemini Robotics-ER 1.5を公開、2026年4月にER 1.6へアップデート。
物理世界について推論し、複雑なタスクを計画するモデルとして発表されています。
視覚・空間理解、タスク計画、進捗推定に特化し、Google検索などのツールを呼び出したり、VLAへ自然言語で指示を渡す高位の「オーケストレーター」として機能します。
これは、大脳AIに最も近い役割を持つ商用モデルの一つです。
Figure AI Helix 02
2026年1月に発表されたHelix 02では、System 2が目標理解、言語理解、行動系列の計画を担います。
System 1が視覚から動作へ変換し、System 0が全身制御を担う。
この階層構造は、大脳・VLA・小脳を分けて考える上で非常に参考になります。
NVIDIA GR00T / Cosmos / Isaac
NVIDIAは、GR00T、Cosmos、Isaac Sim、Isaac Labを組み合わせ、ヒューマノイドの学習・行動生成・シミュレーション・データ生成を統合しようとしています。
GR00T自体はVLA寄りですが、CosmosやIsaacと組み合わせることで、大脳AI的な計画・評価・学習ループへ接続されます。
Physical Intelligence
π0、π0.5、π0.6、π0.7と進化する中で、組み合わせ的汎化や長期記憶(MEM)の研究も進めており、大脳AI的な能力もVLA内部に統合する方向に進んでいます。
OpenAI、Anthropic、Meta、xAIなどのLLM企業
これらの企業は、現時点でロボット専用の大脳AIを前面に出しているとは限りません。
しかし、LLMやマルチモーダルAIは、大脳AIの部品として重要です。
ロボットの自然言語理解、計画、対話、説明、現場文書の理解に活用される可能性があります。
特にAnthropic Claudeのような汎用LLMは、長文処理、推論、ツール利用、対話、コーディングに強く、ロボット向けの計画・対話エンジンの部品として活用余地があります。ただし、現時点でClaude自体がロボット専用大脳AIとして提供されているという意味ではありません。
日本企業・研究機関
日本企業にとって、大脳AIの基盤モデルそのものを作るのは簡単ではありません。
しかし、現場業務と接続する大脳AIは、日本が狙える領域です。
日本のLLM/基盤モデル系プレイヤーとしては、Preferred Networks、ELYZA、Sakana AI、NTT(tsuzumi)、富士通(Takane)、NEC、Rinnaなどがあります。
これに、製造業の作業標準、MES、WMS、QMS、保全システム、安全ルールを組み合わせ、ロボットの計画AIへ接続する。
ここに、日本企業のチャンスがあります。
10. 日本企業のターゲット企業
大脳AI領域で、日本企業がベンチマークとして見るべき企業を整理します。
| 領域 | ベンチマーク企業 |
| -------------------------------- | ------------------------------------------------------------------- |
| 推論+計画モデル(orchestrator) | Google DeepMind Gemini Robotics-ER、OpenAI、Anthropic |
| 階層型VLA(System 0/1/2) | Figure AI、Physical Intelligence |
| ヒューマノイド統合基盤 | NVIDIA GR00T、Tesla、1X Technologies |
| 業務システム連携(MES/WMS/ERP) | SAP、Siemens、Manhattan Associates、Blue Yonder |
| 安全推論・機能安全／セキュリティ | TÜV、UL、ISO/IEC系安全規格、ASIMOV benchmark、Karamba Securityなど |
日本企業が単独で巨大基盤モデルを作るのは現実的ではありません。
しかし、上記のorchestrator系モデルや業務システムを組み合わせ、日本の製造現場・物流現場・介護現場・建設現場に最適化した「現場特化大脳AI」を作る方向は、十分に勝機があります。
具体的には、
富士通(GLOVIA)、日立(HITPHAMS)、NEC(EXPLANNER)、東芝などのMES/ERP/WMS資産
ファナック、安川電機、川崎重工、デンソーウェーブなどの産業用ロボット制御技術
JQA、JET、産総研などの機能安全評価ノウハウ
Preferred Networks、Sakana AI、ELYZAなどの基盤モデル研究
これらを組み合わせて、現場業務を理解する大脳AIを作る。
これは、海外の汎用大脳AIにはできない強みになります。
11. 大脳AIの失敗パターン
大脳AIにも失敗があります。
たとえば、
指示を誤解する。
作業手順を間違える。
危険な順序で動く。
必要な確認を省略する。
業務システムの情報を古いまま使う。
現場ルールを無視する。
人間に確認すべき場面で勝手に動く。
作業結果を記録し忘れる。
こうした失敗は、現場では重大です。
そのため、大脳AIには慎重さが必要です。
不確実な場合は止まる。
人間に確認する。
業務システムと矛盾する場合は実行しない。
危険作業は承認を求める。
ログを残す。
大脳AIは、賢さだけでなく、慎重さが重要です。
フィジカルAIは、現実世界で動くAIです。
間違えたときの影響は、文章生成AIより大きい。
だから、ロボットの大脳AIには、説明責任、ログ、安全制約、人間確認が必要になります。
12. 日本企業にとっての大脳AI
日本企業が狙うべき大脳AIは、汎用チャットAIではありません。
現場業務を理解する大脳AIです。
工場なら、工程、設備、部品、作業標準、安全ルール、品質基準を理解する。
倉庫なら、在庫、棚、ピッキング、梱包、出荷順、WMSを理解する。
介護なら、見守り、搬送、声かけ、人との距離、プライバシー、安全確認を理解する。
建設なら、危険区域、作業手順、資材、点検、現場ルールを理解する。
観光なら、案内、会話、多言語、移動、安全距離を理解する。
このような現場特化大脳AIこそ、日本企業が狙うべき領域です。
日本には、現場があります。
品質管理があります。
作業標準があります。
改善文化があります。
安全運用があります。
業務システムがあります。
これらをロボットの大脳AIに変換する。
これが、日本のフィジカルAI戦略において非常に重要です。
第6回のまとめ
ロボットの大脳AIは、目的を理解し、作業を分解し、計画し、判断する層です。
LLMはその重要な部品ですが、LLMだけでは足りません。
世界モデル。
VLA。
スキルライブラリ。
安全層。
業務システム。
現場記憶。
RoboOps。
これらを統合することで、ロボットの大脳AIが成立します。
大脳AIは、単発の動作ではなく、複数手順の仕事をこなすために必要です。
人間の曖昧な指示を、現場で実行可能な作業手順に変換する。
現場データ、業務システム、安全ルール、過去の失敗を使いながら、慎重に判断する。
これが、ロボットの大脳開発です。
主要プレイヤーとしては、Google DeepMind Gemini Robotics-ER、Figure AI Helix 02のSystem 2、NVIDIA GR00T、Physical Intelligence、各種LLM企業(OpenAI、Anthropic、Google、Metaなど)が先行しています。
日本企業の勝ち筋は、汎用大脳AIをゼロから作ることではなく、現場業務、業務システム、安全運用、産業用ロボット制御技術を統合した「現場特化大脳AI」を作ることです。
次回は、大脳AIとは対になる ロボットの小脳開発 を扱います。
大脳が「何をするか」を考えるなら、小脳は「どう安全に動くか」を制御します。
ヒューマノイドは、考えるだけでは働けません。
倒れず、滑らかに、安全に身体を動かす必要があります。
次回は、姿勢制御、歩行制御、反射制御、全身協調制御など、ロボットの身体を動かすための小脳制御を整理します。
※本記事の企業情報・モデル発表時期等は、2026年前半時点で公開・報道されている内容に基づいて整理しています。「世界トップ」を断定するものではなく、注目すべき動きをしている代表例として参考にしてください。
#フィジカルAI #ヒューマノイド #PhysicalAI #ロボティクス #AI #大脳AI #LLM #タスクプランナー #エージェント #GoogleDeepMind #GeminiRobotics #GeminiRoboticsER #FigureAI #Helix02 #BrettAdcock #PhysicalIntelligence #NVIDIA #GR00T #IsaacLab #OpenAI #Anthropic #Claude #Meta #xAI #PreferredNetworks #SakanaAI #ELYZA #NTTtsuzumi #FujitsuTakane #現場特化AI #業務システム連携 #MES #WMS #ERP #QMS #安全推論 #ファナック #安川電機 #現場実装 #日本の製造業 #ハードソフト統合 #米中対決 #日本の未来
