フィジカルAIとは？生成AIとの違いとNVIDIAが時価総額1位の理由

2026年7月11日 ・ 久保一成

#フィジカルAI#NVIDIA#ロボット#生成AI#ヒューマノイド#日本のAI戦略

1章　フィジカルAIとは何か

フィジカルAIとは、カメラやセンサーで現実を捉え、その場で判断し、物を動かすAIです。出力は、テキストや画像ではなく、現実世界での操作。

似た言葉でIoTという言葉が2016年ごろに流行りました。インターネット・オブ・シングス。モノのインターネット化です。IoTはあらゆる物理的な製品から、センサーの情報をクラウドと送受信するのが一般的。製品から信号をクラウドに送って、判断もクラウド上で行います。ところがフィジカルAIは基本的にこの方法で完結できません。フィジカルAIが、クラウドに現場の情報を送って、判断を待つ？

ロボット「2階から階段を降りている途中に踏み外して倒れそうです」 クラウド「思考中…。左手を45度後ろに傾けて重心を後ろに移動させなさい。」 ロボット「現在、1階につきました（落ちました）」 クラウド「……。タスク完了。」

例えば、物を落としそうになって、態勢を立て直す反射は、クラウドと送受信していては間に合わない。知覚から判断、行動までを、「現場」で「個体」が判断し実行しなければならない。

ちなみにフィジカルAIは人型に限りません。自動運転車、自律ドローン、物流ロボット、建設機械、農業機械。現実を認識して物理的にタスクを終える機械は、すべてフィジカルAIです。

そして生成AI（LLM）とフィジカルAIもやはり別物です。今の生成AIの出力は、アルゴリズムが計算した単語の文字列です。フィジカルAIの出力は、関節を何度動かすか、アームを毎秒何センチ動かすかという連続した動きです。

いきなり難しいことから言いますが、ちゃんと順を追って説明します。この連続した動きを数学的に処理するために、行動ベクトルという概念が使われます。力の指令を、連続した数値で出します。専門用語が出てきますが、すべて噛み砕いて解説します。一切覚えなくて大丈夫です。仕組みを理解するだけでお釣りがくるくらい十分です。

2章　生成AI開発と、フィジカルAI開発の違い

生成AIは、文字やコードという飛び飛びの記号を学びます。これは離散的であると表現されます。これは意外に難しくなく、言葉と言葉の間は単語単位（トークン単位）でしか存在しませんよね。文章ならば、単語という最小「単位」がある訳です。つまり非連続で飛び飛びである、つまり離散的であると言えます。LLMの学習では、大量の文章から次の単語を当てる、という形をとっています。

一方で、現実世界は言葉と違って、全ての事象が連続して流れています。空間がない場所は無いですし、時間も絶えず流れています。世界は止まることなく、常に毎瞬ごとに移り変わっていく。ひたすらに連続しているのが現実世界です。フィジカルAIは、この連続した物理世界を量として扱っています。

フィジカルAIにとっての入力は、映像、関節の角度、指先にかかる力。出力は、さきほどの行動空間ベクトル、つまり連続した動きの指令として出される。そしてその出力結果は画面の中ではなく、現実世界で物理的に実行される。失敗すると、物が壊れ、ラインが止まり、人が怪我をする。だから許される誤差の幅は、LLMより桁違いに狭くなります。

もう一つの違いが、データの出どころです。LLMは、Web上に何兆語（何兆トークン）という文章があります。しかしフィジカルAIに必要な摩擦・質量・反力のデータは、基本的に空間で物に触れないと生まれません。こうした物理相互作用のデータは、インターネット上にほぼ存在しません。このデータ不足が、フィジカルAIのボトルネックです。そして、この壁が、この後の話のすべてにつながります。

3章　フィジカルAIに身体を成立させる三つの要件

フィジカルAIは、脳・筋肉・電池の3つで整理されます。英語の頭文字をとって、Brains、Brawn、Batteries。このうち、コストの多くが、筋肉、つまり駆動部分に集中します。

駆動部分の中心は、電気を動きに変換する部品で代表的なものはモーターです。これをより包括的な定義ではアクチュエータと言います。そこに、回転を遅くして力を強める高精度な減速機（ハーモニックドライブ）が組み合わされます。これらが、製造コストの半分を占めます。

そして、見るだけでは物はつかめません。滑っているか、柔らかいか、割れそうか。これを感じるのが、触覚センサーです。Metaは、触覚を数値に変換する基盤モデル「Sparsh」や、指先に高密度のセンサーを詰めた「Digit 360」を公開しています。微小な摩擦や反力の変化を、極めて高速に検出します。この速さが、人間のような器用さの土台になります。

4章　フィジカルAIの脳は「大脳」と「小脳」に分かれる

人間の脳は、考える大脳と、動きを調整する小脳に分かれています。フィジカルAIの制御も、同じ二層に分かれます。

大脳としての役割は、映像を見て、言葉の指示を理解し、行動を生成すること。この大脳を数学化したものがVision-Language-Action、通称VLAです。つまり視覚・言語・行動のモデルです。「赤い部品を取って」を、映像と結びつけ、大まかな動きの計画に変えます。ただし大脳は、ゆっくりです。毎秒1〜5回ほどしか更新しません。

小脳の役割は、運動制御です。こちらは毎秒100〜500回という速さで、その計画が安全かを監視します。ロボットの運動方程式、出せる最大の力、周りの障害物を、その場で計算しながら動きを微調整する必要があります。身体には自然に成立する動きの範囲があり、そこから出ると不自然で危なっかしい動きになりやすい。

なぜ二層に分けるのか。大脳としてのVLAはLLMのように確率として出力されるため、ときどき危険な動きを出すからです。その動きが安全な範囲を外れそうになると、小脳側が強制的に軌道を引き戻します。確率的で賢い大脳と、決定論的に反射で止める小脳。

例えば、アームが部品を取りに行く。大脳（VLA）は「そこに手を伸ばせ」と計画します。しかし、その軌道の途中に人の腕が入ったり、関節の最大トルクを超えたり、ロボット自身の胴体にぶつかりそうになったりする。このとき、下の制御層は、大脳（VLA）の出力をそのまま信じません。安全の外に出る行動を、許容行動の集合の中へ戻します。これが、物理世界でAIを動かすためのガードレールです。

繰り返しですが、フィジカルAIには、やはりクラウドLLMだけでなく、ローカルLLMが必要になります。ローカルLLMとは、ChatGPTやClaudeのように巨大なクラウド上で動くAIではなく、ロボット本体に内蔵されて個体内で完結した言語モデルです。クラウドとは送受信せず、現場の個体が自身内で思考する言語モデルです。

ただ、ヒューマノイドの場合は、言語だけでは足りません。映像を理解するVLM（Vision-Language-Model）、行動まで出すVLA（Vision-Language-Action）も、ローカルで動く必要があります。クラウドに映像を送り、推論して、戻ってくるまで待つと、現実の物体はもう動いています。人も動きます。ロボット自身の姿勢も変わります。地球の自転も、時間も、近くの人の動きも、重力も、何も待ってくれない。連続した現実世界で、能動的に動けなければフィジカルAIの要件を満たさない。信号の入力から、実際の反応までの遅延が許されないのです。

フィジカルAIでは、クラウドLLMをそのままロボットの脳にすることは現実的ではありません。

5章　フィジカルAIは現場データだけでは学習できない

物理データが足りない。だから現場データが必要であって、その現場データが豊富にある日本に優位性がある。これは本当です。でも誤解があります。工場の監視映像や稼働ログそのものは、ほとんどが学習には使えません。3つの理由があります。

一つに、時間がずれている。複数のカメラ、関節の角度、指先の力。これらがミリ秒単位で揃っていないと、何をした結果こうなったのか、因果が崩れます。原因と結果が逆に学習されることすらあります。

二つ、意味がついていない。その動きが何を狙ったのか、成功か失敗か。この説明、アノテーション（意味付けや補足情報）がないと、AIは解釈できません。

三つ、身体に縛られる。あるロボット固有の体格や癖への依存を、身体性、エンボディメントと呼びます。ある腕で取ったデータは、腕の長さや特性が違う別の機種には、そのまま効きません。

だから現場の生データは、集めただけでは学習データになりません。整えて、初めて使えるデータになります。その整える工程を、データ・キュレーション・パイプラインと呼びます。ロボット共通のデータ規格、カメラの精密な較正、そして人間の動画からロボットの動きへの変換。価値があるのは、現場データを持つというよりも、使える形の現場データを持つことです。

そのデータ・キュレーション・パイプラインを御社は誰かに頼めるでしょうか？すぐには思いつかないかもしれません。学習に使えるような整えられたデータを持っている企業は日本にほとんどありません。日本はフィジカルのデータとしては本当に膨大に持っていますが、そのデータを学習可能な形に整える企業や人材が、まだ不足しています。

6章　フィジカルAI学習の大半は事前学習で起きている

もっと重要なテーマがあります。それらの現場のデータ以上に、実は事前学習、つまりクラウド上での大規模学習の方が効果が高い可能性があることです。フィジカルAIの学習は、四つの方法を組み合わせます。

一つ、世界モデル。物理環境の動き方を、AIの中に予測シミュレータとして再現します。ロボットは、現実で失敗する前に、仮想空間の中で試せます。NVIDIAのCosmosやTeslaの世界シミュレータがこれです。

二つ、模倣学習とテレオペレーション。人間がVRや外骨格でロボットを遠隔操作し、その動きを正解として覚えさせます。精度は高い。ですが、人間の作業時間に縛られ、量が稼げないのが弱点。

三つ、一人称視点の人間動画。スマートグラスで撮った、料理や片付けの映像です。MetaのProject Aria、Ego4D、EgoDex、さらにAndroid XRのようなXRプラットフォームやスマートグラスは、一人称データを集める基盤になり得ます。人間の手の3次元軌道を映像から抽出し、ロボットの関節の動きへ自動変換しています。

四つ、強化学習とSim-to-Real。Sim-to-Realのsimはシミュレーションのsimです。つまりシミュレーションから現実へ。試行錯誤と報酬で方針を探させ、シミュレーションで学習します。その際、重力や摩擦や通信遅延を、毎回ランダムに変えます。すると未知の床や外乱への適応が強化されていきます。

小話を挟みましょう。一つ目の「世界モデル」という概念は、日本の東京大学、松尾豊先生が11年も前にその予測を公開されていました。「AI開発は、世界を内的に表現し、予測するモデルに向かう」。松尾研として、日本のAI研究の宝とされるあの松尾豊先生です。2026年の現在から見ると、本当に驚異的な先見性です。

話を戻します。2026年の研究が、これら4つのデータの交換レートを示しました。査読済み確定理論ではないので、可能性が示唆されたという理解に留めて欲しいのですが、どの学習方法を混ぜるかで性能がどう変化するかという面白い研究です。

まず人間動画は万能ではありません。2026年のData Utilization Lawの研究では、実機のテレオペレーションデータ1に対して、シミュレーションデータは約8で同等の価値を持つ、とされます。これは直感にも合います。シミュレーションは現実より安く大量に作れますが、現実とのズレがあります。だから8倍くらい要る、という話です。

問題は、人間動画です。人間動画は、未知の環境や未知のタスクへの強さを上げます。しかし、特定の現場、特定のロボットでの精度を見ると、逆に性能を薄めることがあります。同じ研究では、人間動画を約10サンプル追加すると、実機テレオペレーションデータ1サンプルの利益を打ち消す場合がある、と報告されています。人間動画は多ければ多いほど良い、という話ではない可能性があります。

なぜそうなるのか。人間動画には、行動の意味は入っています。しかし、ロボットの関節角度、指先の力、モーターの遅れ、腕の長さが入っていません。人間にとって自然な動きが、そのロボットにとって自然とは限りません。人間の手は柔らかく、感覚も細かく、自由度も高い。ロボットの手は、硬く、センサーも少なく、関節の構造も違う。つまりロボットと人間に身体性のズレ（エンボディメントギャップ）があるわけです。身体が違うことで、同じ行動の意味が、同じ運動にならない。だから人間動画は、物理常識を作るには強い。でも、最後の現場適合には、邪魔になることもある。

7章　大量の事前学習＋少量の現場データ

話を整理すると、現場データは、量ではなく位置づけが大事だということになります。

人間動画で大きな常識を作る。シミュレーションで環境の幅を広げる。最後に、少量の実機テレオペレーションで、そのロボット固有の身体に合わせる。この順番を間違えると、データを増やしているのに、性能が上がらない。フィジカルAIでは、データは多ければいいのではなく、どの身体に、どの段階で、どの比率で混ぜるかが重要になります。

なお、このData Utilization Lawの論文は査読済みの確定理論ではありません。2026年時点の最前線の問題提起として扱うのが正確な理解です。ただし、示している方向は、現在のフィジカルAI開発の実態に即しているのではないでしょうか。

そして、強烈な言説とその例示が次のもの。この四つの学習のうち、時間と量の大半は、人間動画による「事前学習」が占めるということ。後で出てくるGEN-1というモデルは、人間の活動を何十万時間も学んで土台を作り、ロボットを動かして取るデータは、わずか1時間です。何十万時間と、1時間。事前学習と現場データの量は、桁が何個も違います。ロボットを動かして取るデータは、知能をゼロから作る材料ではもはやない。できあがった土台を現場に合わせるための、最後の仕上げとしての工程である、と。

8章　フィジカルAIの「汎用事前学習＋1%」というパラダイム

Metaは、ロボットのデータを一切使わずに、人間の一人称動画だけで、視覚の特徴空間「VC-1」を作りました。研究を率いたLerrel Pintoは、ロボット学習のスケールは遠隔操作ではなく、人間の膨大な活動経験から来る、と述べています。

この考えを最も高い精度で実装したのが、2026年4月のGEN-1です。GEN-1は、ロボットの操作データではなく、人間の活動を何十万時間も学んで土台を作りました。物の掴み方、壊れやすさ、重さ、重力。ハードに依存しない、行動の意味の「辞書」、いわば物理の常識を、先に身につけたわけです。その上で、特定の現場に合わせる調整は、ごくわずかで済んでしまいます。

GEN-1は、未知の作業に対しても、ロボットから取った「約1時間分」のデータが有りさえすれば、平均成功率99%に達したとされます。現場のデータはたった1時間だというのです。前の世代のGEN-0が平均64%だったため、性能の飛躍が確かに起こっています。掃除機の点検を200回、スマホの梱包を100回、おもちゃの梱包を1,800回、連続で無事故でこなしたと報告されています。段ボールを折る作業では、従来の最先端が34秒だったところを、12.1秒に縮めています。

Meta FAIRなどの研究では、NWMタスクで、タスク特化型データが全体のわずか「1%程度」でも「性能が飽和する」と示されました。99%を人間動画の常識で作り、残り1%は現場に合わせる。では「現場データを集めればいい」という理解は、非常に危うい解釈の可能性が高い。現場データは、最後の1%として効くのであって、99%は違う学習法が占めることになるからです。

この学習法で作られたモデルの強さは、想定外への対応に出ます。外的要因で位置がズレたら一度置き直してつかみ直す。隣の物をずらして隙間を作る。こうした即興の立て直しを、外因的器用さと呼びます。最初から専用に作った特化型AIは、光や傷や人の横切りで、簡単に止まります。広く常識を持たせてから1%で合わせる方が、結局は頑健になる。この可能性が現在示唆され始めているのです。

9章　2026年6月、フィジカルAIはどこまで来たのか？

現在のフィジカルAIは、工場や倉庫の特定作業でようやく商用水準が見え始めた段階です。家庭の万能ロボットは、まだ先。BMWのスパータンバーグ工場では、Figureの人型ロボットが、板金部品を治具に挿入する作業を試験しました。Teslaは、車載AIで培った推論を、人型のOptimusに広げようとしています。GoogleのDeepMindは、Gemini Roboticsを軸に、Agile RobotsやBoston Dynamicsと組み、産業ロボットへの実装を進めています。共通するのは、決められた動作を繰り返す機械から、見て考えて直す機械への移行です。

一方で、中国は独自の戦略でヒューマノイド開発に巨額の投資で激進しています。中国の戦略は、脳のソフト開発を最大の優先事項としています。ある先端スタートアップは、IPO調達資金の最大項目として約半分を、大脳にあたるVLA（Vision-Language-Action）と、小脳にあたる運動制御のソフトに集中させています。工場などの設備投資は、全体の2割弱に抑えているとのこと。脳を内製し、身体は国内の量産網で安く作る。

これは価格競争の際に非常に強いかもしれない。この会社は、ヒューマノイド1台の価格を数年で約72%引き下げ、日本円でおよそ350万円という水準まで下がったとされます。身体はいずれ安くなると予測しているということです。競争優位性は脳と小脳の方にあると考えている。

10章　フィジカルAIにおける日本の強みと弱み

日本の強みは、身体と現場です。サーボモーターの安川電機、CNCと多関節アームのファナック、位置決めビジョンのキーエンス、センサーの村田製作所やTDK。ロボットの身体に要る部品のほとんどを、国内で揃えられます。

需要も強い。日本は世界で最も人手不足が深刻で、1000万人規模の労働力不足が見込まれます。介護や物流で人が足りない。フィジカルAIを導入する理由がある。導入すればデータが貯まり、貯まれば改善する。この循環を回せる立場です。

弱みは、脳の側です。多用途の土台になる大規模モデルを、基盤モデルを作る人材と、大胆な投資、出すスピード。ここが遅れていました。

現場のデータは非常に大切です。日本はその現場のデータを非常にたくさん持っています。これは間違いなく強みなのです。ただ、そのデータは適切に加工する必要がある。そして、その加工済みデータを学習に使う前段階の工程を、まずは全て賄わなければならない。

そこで、早速日本も動き出しています。日本成長戦略では2040年までに10.5兆円の官民投資という報道もありました。

日本は経済縮小はしているとはいえ、2010年まで世界2位の経済大国だったのです。日本には、お金はあるところにはあります。民間にある現預金は1,500兆円規模とも推定され、滞留しています。それは現在でも世界3位の規模であり、正確な公式数値ではありませんが、4位のドイツよりも圧倒的に多いと推測されます。本気になれば投資額として集められないことはない。投資に踏み切れるかどうかは官民、むしろ国民全体の意思決定でもあります。

11章　NVIDIAはフィジカルAIの開発OSを作ろうとしている

世界時価総額1位。世界中で最も価値のある企業とされるのがNVIDIAです。NVIDIAの時価総額にはLLMの先、フィジカルAI領域への優位性が価格にすでに乗っています。

NVIDIAがGPUで覇権を取れたのは、性能だけが理由ではありません。GPUを動かすための開発ソフト「CUDA」を無料で提供してきたからです。NVIDIAは2007年からCUDAの無料提供を始めています。世界時価総額1位になる20年も前の話です。大学にも、研究者にも、学生にも無償で開放した。そうやって、一世代分の開発者を育てた。GPUで計算を速くしたい以前にCUDAがなければ始まらない。これが、あらゆる企業や研究者の間で当たり前になりました。

NVIDIAにとっての本命は、GPU。ソフトはその関連商品です。でも、関連商品のソフトをタダにするからGPUが売れる。これは「補完財のコモディティ化」と呼ばれる経済現象です。フィジカルAIの世界でもそれが起こりそうなのです。

フィジカルAIの基盤ソフトの一部を、NVIDIAは既にオープンソースとして無料提供し始めています。学習フレームワークのIsaac Lab、世界モデルのCosmos、ロボットの脳のGR00T、土台の規格OpenUSD。NVIDIAはこれらを、囲い込むのではなく、開いて配っています。CUDAの時は、無料でしたが中身は非公開でした。今回は、無料提供だけではなくオープンソースまで準備されている。フィジカルAIの標準が、まだ決まっていないからです。標準が決まる前に、最も多くの開発者を乗せられた者が勝ちます。無料なだけでなく、オープンソースにした方が、ずっと速く、ずっと広く利用される。

NVIDIAはフィジカルAIの世界で、現在のLLM開発環境と同様に世界最強であり続けるかもしれない。GPUを売る。DGX Cloudで学習を回す。Omniverseでデジタルツインを作る。Isaacでシミュレーションと訓練を行う。Cosmosで世界モデルと合成データを作る。GR00Tでロボットの脳を提供する。JetsonやIGX Thorで現場にローカル推論を載せる。Halosで安全まで押さえる。

そして、強烈なのが、フィジカルAIの「ローカル」側にもNVIDIAが入ってくる。最終的な推論はロボット本体、つまり個体側で動く必要がありましたよね。NVIDIAはその実行環境を抑えています。VLMであれVLAであれ、ソフトウェアですからローカルの実行環境が必要です。つまり超小型のスーパーコンピューター。CPU、GPU、メモリ、カメラ・センサー接続、ネットワーク、OSやソフトウェアの実行環境がまとめて搭載されています。Jetson ThorとIGX Thorです。

Jetson Thorは、フィジカルAI向けの小さなスーパーコンピューター。最大2070 FP4 TFLOPS、128GBメモリを持ち、VLMやVLAのような大きなモデルを、ロボット本体側で動かす基盤です。より安全クリティカルな領域、例えば医療機器、工場、ロボット、交通などでフィジカルAIを動かす産業向けには、IGX Thorも提供されます。このように、現場の端末側で処理することを、エッジ推論と呼びます。つまり、NVIDIAは、クラウドでは「動く前に学ぶ場所」を、ローカルでは「今この瞬間に判断する場所」を。その両方を担っている。

ロボット会社が、身体を作ります。現場会社が、作業を持ちます。一方で、学習し、試し、検証し、現場で動かすまでの開発スタックは、NVIDIAが強く推進するオープン標準と、NVIDIAの商用基盤の上に乗っていく。実現すると、ロボット企業はNVIDIAから離れにくくなります。LLMの世界で、無料のCUDAが標準になり、2026年現在でもNVIDIAから離れられないように。だからNVIDIAは、身体を作らなかったとしても、身体を動かすための土台を押さえられる会社です。LLMが急拡大した時、「砂金とつるはし」の例が頻繁に出ましたよね。LLM関連で莫大に利益を上げていたのは、LLMを開発しているOpen AIでもAnthropicでも、Googleでもなく、LLMの開発ツールと環境を販売していたNVIDIAだった。

なぜNVIDIAが世界時価総額1位なのか。次の最大トレンドであるフィジカルAI。そのフィジカルAIの「開発OS」としてNVIDIAが君臨するかもしれない。LLM競争の時と同様に、最高のポジションを取れる可能性が少なくとも高いと思われているからです。すでに、ABBやファナック、安川電機、Figureといった主要なロボット企業が、NVIDIAの技術の上で開発を進めています。ロボット企業が「NVIDIAの上で開発する」状態がすでに起こり始めているのです。いやいや、NVIDIA。これが世界一である、と言わんばかりです。

12章　フィジカルAIはまだ理解されていない世界トレンド

フィジカルAIは、連続した行動を現実で実行するAI。許される誤差が極端に狭い。脳は、確率で賢く動く大脳と、決定論的に止める小脳に分かれる。学習の大半は、人間動画による事前学習で起き、現場データは最後の仕上げとして効く。フィジカルAIは、ロボット単体でもLLMだけでも成立しません。GPU、シミュレーション、世界モデル、合成データ、ロボット基盤モデル、エッジ推論、安全制御。この全体を一つの開発環境として束ねる必要がある。

生成AIの第一ラウンドは、GPUとLLMの競争でした。第二ラウンドは、現場とロボットとデータの競争です。その裏側では、すでに開発OSの競争が始まっています。そして、日本に余地が残っています。

ただ、立ち位置を正確に理解した方がいい。現場のデータで強力な優位性が確かにある。ただ、現場のデータがあればそれで良いというほど単純ではない。データはそのままでは活用できない。現場データを活用できる水準までをどのような共同体制で作っていくのか。どのように投資を集めていくのか。世界のトレンド的にも、日本の成長戦略の中核としても、フィジカルAIは捉えられています。

なら、やっぱり僕らもフィジカルAIをまずは理解した方がいい。そして、勝ち筋を見極めたい。そんなことを思った日でした。