フィジカルAIとは｜定義、VLAと世界モデル、データの制約

フィジカルAI（Physical AI）は、物理世界で身体を持って動くAIのことです。 カメラや触覚センサで周囲を読み取り、モーターを動かして環境に働きかけるところまでを、一つのモデルが担います。画面の中で言葉や画像を生成して終わる生成AIとの違いは、ここにあります。

呼び方はまだ一つに定まっていません。「身体性AI（Embodied AI）」や「ロボット基盤モデル」も、おおむね同じ範囲を指しています。NVIDIA がフィジカルAIという呼び方を前面に出したこともあり、近年はこの語を見かける場面が増えました。

01生成AIとの決定的な違いは「やり直せない」こと

文章生成であれば、気に入らない出力は捨てて、もう一度書かせれば済みます。物理世界ではそうはいきません。コップを落とせば割れますし、人にぶつかれば怪我をさせてしまいます。まったく同じ場面を二度と作れないので、失敗から学ぶための試行回数そのものが稼ぎにくいのです。

この制約が、技術の作り方をほぼ決めています。シミュレータで大量に失敗させてから実機に移す、人が遠隔操作した軌跡を教師データにする——こうした手法はどれも、「実機で試すことが高くつく」という一点への対処になっています。

02主流はVLA、議論の焦点は世界モデルへ

現在の中心は VLA（Vision-Language-Action）と呼ばれる形式で、映像と言葉の入力から直接ロボットの行動を出します。Google DeepMind の Gemini Robotics 2、Generalist AI の GEN-1.5、Perceptron の Isaac 0.5 などが、この系統にあたります。

一方で2026年8月、NVIDIA が「VLAを超えて」World Action Model への転換を提唱しました。行動を出す前に、そのあと世界がどう変化するかをモデルの内部で予測させる考え方で、arXiv でも同種の提案が相次いでいます。予測を回す計算量をどう抑えるかが、この路線の共通の課題になっています。

03最大の制約はデータ

モデルの形式より先に効いているのが、データの量と質です。言語モデルにとってのインターネットにあたるものが、ロボットの行動データには存在しません。

そのため各社は、データの作り方そのものに投資しています。Figure は一般の人が家庭や工場での作業を撮影して投稿するプラットフォームを公開し、動画1,600万本に対して1,500万ドルを支払ったと表明しました。日本では企業コンソーシアムが、ヒューマノイド35台を並べた収集拠点を千葉県習志野市で稼働させています。人が撮った普通の動画から教示データを作り、必要なロボット実演を大幅に減らす研究も進んでいます。

04資金は集まっている。ただし現場の評価は割れている

2026年8月だけを見ても、XPeng のロボット事業が9億ドル超を調達して評価額63億ドル、Unitree が上場初日に460%超の急騰、Generalist が評価額30億ドルと、資金の集中が続いています。

一方で、開発の現場からは慎重な声も出ています。業界会議では「ロボットに ChatGPT モーメントは来ない」「いまの水準は言語モデルでいう GPT-2 の頃」といった発言があり、成功率80%では商用に足りないという認識が共有されています。人型より車両が先だという意見もあれば、脚ではなく車輪を選ぶ企業もあります。

05日本で起きていること

国内では、研究室のデモよりも現場の実証が目立ちます。警備ロボットが福岡空港のターミナルで、清掃ロボットがオフィスビルの水回りで、四足ロボットが消防の捜索救助やヒグマ対策で試されています。倉庫向けの搬送ロボットは、世界累計受注1万台を超えました。派手さはありませんが、稼働条件と台数を伴う話が増えているのが、この数か月の特徴です。

06押さえておきたい用語

ここまでに出てきた語のうち、個別のニュースを読むときにも繰り返し出てくるものをまとめます。この5つが分かっていれば、たいていの記事は追えるはずです。