2026年6月16日、名古屋コンベンションホールにて「AI博覧会 Nagoya 2026」が開催された。岡谷鋼機㈱／monomyth（モノミス）㈱の樋口 康太氏は「製造業 x Physical AI実装のリアル」と題して登壇した。本レポートでは、同講演とその後の樋口氏への取材をもとに、製造業におけるフィジカルAIの現在地と、この分野に今取り組む意義を整理する。

なぜ今⁠、フィジカルAIなのか

フィジカルAIとは、AIがデジタル空間の中だけで完結するのではなく、工場、物流倉庫、ロボット、車両、設備などを通じて物理世界に働きかける技術である。カメラやセンサーで現実の状態を読み取り、状況を判断し、機械の動作へ反映する。

この領域が注目されている背景には、LLMやVLMの発展がある。LLM（Large Language Model）は、テキストを主な入力・出力として扱うモデルであり、自然言語による指示への応答や文章生成などが可能である。VLM（Vision-Language Model）は、画像や動画などの視覚情報と、テキストなどの言語情報を組み合わせて扱うモデルである。LLMやVLMが私たちの生活を変え始めるなか、それらを物理世界にも応用しようとする動きが広がっている。

ただし、物理世界に働きかけるうえでは、テキストや画像、動画を扱えるだけでは足りない。たとえば製造業の現場では、目の前の部品や設備の状態を認識し、作業指示と照らし合わせたうえで、ロボットアームなどをどのように動かすかまで決める必要がある。そこで注目されているのが、VLA（Vision-Language-Action Model）である。

VLAは、視覚情報と言語指示を入力として受け取り、行動に対応する出力を生成するモデルである。ロボットアームの制御に限らず、自動運転車両の操作判断など、フィジカルAI全般に適用される概念である。LLMが言語を扱い、VLMが視覚情報と言語を扱うのに対し、VLAはそこに行動を加える。フィジカルAIにおいてVLAが重要なのは、AIの処理結果を、物理世界での動作に接続するためである。

フィジカルAIを活用できれば、製造業の現場における人手不足や、熟練技能の継承といった課題への応用が考えられる。日本では生産年齢人口の減少が進んでおり、現場の省人化や自動化の必要性は今後さらに高まっていく。従来の自動化技術では対応しづらかった領域を補える可能性が、フィジカルAIにはある。

フィジカルAIは従来の自動化技術とどのように違うのか？

これまでも製造業の現場では自動化が行われてきた。それらとフィジカルAIはどのように異なるのか。樋口氏は、製造現場の自動化を「教示型」「⁠モデルベース型」「⁠フィジカルAI」の3つに分けて整理したうえで、教示型は「振付⁠」⁠、モデルベース型は「天才の数式⁠」⁠、フィジカルAIは「知能」と表現した。

教示型

教示型は、人があらかじめ動作や条件分岐を設定し、その指示どおりに機械を動かす方式である。

導入しやすく、同じ環境では高い再現性を得られる一方、想定外の変化には弱いという特徴がある。現実の複雑な状況をすべてif-thenルールとして書き出そうとすると、設定項目が膨大になってしまう。

人が直接ロボットに軌道を覚え込ませるという意味で、教示型は「振付」といえる。

モデルベース型

より複雑な環境に対応するために用いられてきたのが、この分類におけるモデルベース型の自動化である。

センサーから得た情報をもとに状態を推定し、数理モデルやアルゴリズムによって行動を計画し、アクチュエーターを制御する。古典制御や経路計画などが、その代表例だ。

モデルベース型では、対象物の動きや機械の特性、環境条件を、専門家が数式やルールとして記述する。そのため、想定した条件の範囲内では、高い精度と安全性を実現できる。一方で、対象や環境が変わるたびにモデルの設計や調整が必要となり、開発に手間がかかる。人がモデル化しきれないほど複雑な環境への対応も難しい。

教示型が振付であるのに対し、モデルベース型は専門家が実装する「天才の数式」といえる。

フィジカルAI

従来の製造業の現場で取られてきたのが先の「教示型」と「モデルベース型」だったのに対し、今注目されているのが、本記事で取り上げる「フィジカルAI型」である。

フィジカルAIと先の2つとの大きな違いは、判断方法を人が一つひとつ数式やルールとして与えるのではなく、AIが大量のデータから学習する点にある。人間が動作の答えをコードで書くのではなく、AIに大量のデータを学習させることで「知能」を獲得させ、ロボット自身に最適な動きを作らせる考え方だ。

ここまでフィジカルAIの可能性を紹介してきたが、今後すべてがフィジカルAIに置き換わるわけではない。直近では、これら3つの手法がハイブリッドで用いられるだろうと樋口氏は見ている。

フィジカルAIが難しい三つの理由

近年、LLMによる自然言語処理は急速に発展している。一方で、フィジカルAIの導入は同じようには進んでいない。樋口氏は、その理由を大きく三つ挙げた。

扱うデータの次元と複雑さが高い

一つ目は、扱うデータの次元と複雑さが高いことだ。

LLMや拡散モデルが主に扱うのは、テキストや画像、動画といったデジタル上の情報である。それに対して、フィジカルAIは、カメラの画像やロボットの各関節の角度といった各種センサーから得られる物理情報も入力として扱う必要がある。

たとえば、50個の関節を持つヒューマノイドが少し先の動きを予測する場合、1,000次元もの高次元な情報を、瞬時かつ連続的に出力する必要がある。さらに、その出力は現実の物理法則に従っていなければならない。そのため、難易度は非常に高い。

学習データが量⁠・質ともに不足している

二つ目は、学習データが量・質ともに不足していることだ。

LLMは、インターネット上のテキストなど、人間に換算すると数万年から10万年分ともいわれるデータを学習している。一方、フィジカルAIの世界では、最もデータを集めている企業でも50年分程度にとどまっており、データは大きく不足している。

さらに、現実世界から取得するデータには、さまざまなノイズが含まれる。たとえば、光が反射していたり、対象物が透明だったりすると、正しく認識できないことがある。ロボット自身の手や周囲の物体が死角を作ることもある。

樋口氏によると、フィジカルAIが商用利用できる精度に達するまで、あとどれくらいのデータが必要なのかは明らかになっていないという。また、大量のデータがそろったとして、商用利用できる精度にたどり着けるのかも、現時点ではわかっていないとのことだ。

E2Eでモデル自体を学習する必要がある

三つ目は、入力から行動の出力までを分割せずに一つのモデルで処理する「E2E（End-to-End⁠）⁠」であることだ。

LLMは、プロンプト内に例や情報を与えることで、その場で対応を変えるIn-Context Learning（文脈内学習）ができる。一方、フィジカルAIは、画像やセンサー情報をもとに1つのモデルが直接ロボットの動作を出力する仕組みである。そのため、従来のロボットのように一部のパラメータを調整したり、LLMのようにプロンプトで指示を与えたりするだけでは、挙動を簡単に修正できない。

現場の環境変化に対応したり、新たな動作を獲得させたりするには、モデル自体に大量のデータを与えてチューニング（事後学習）していく必要がある。

PoCで直面する二つの困難

岡谷鋼機は智元創新科技（AGIBOT）のヒューマノイドを用いてフィジカルAIのPoCを進めてきた。樋口氏はその経験をもとに、フィジカルAI導入時に直面する課題を大きく2つ挙げた。

わずかな環境の変化で行動に失敗する

樋口氏は、現在のフィジカルAIには、特定の「状態」に対して、どのような「行動」を取るかを丸暗記する傾向があると説明する。

ロボットが動けば、その動作によって周囲の環境も変化する。環境が変化すれば、次に入力される状態も、動作前とは異なるものになる。こうした変化に対応するには、空間を正しく認識する力や、環境の変化に耐えるロバスト性が必要になる。

現在のフィジカルAIは、その空間認識能力やロバスト性がまだ十分ではないという。

開発工程が未整備である

もう一つの困難として樋口氏が挙げたのが、開発工程がまだ十分に整備されていないことだ。

フィジカルAIは、まだ技術として成熟した領域ではない。そのため、どのような手順で開発を進めればよいのか、どの工程にどれだけの工数がかかるのか、どのようなデータを用意すればよいのかといった知見が、十分に体系化されていない。

たとえば、フィジカルAIの開発では、人手によるアノテーション、つまり正解データの作成が必要になる。しかし、複雑な作業をどの単位に分解するのか、どの状態を成功とみなすのか、失敗した状態から復旧するパターンをどのように教えるのかは、あらかじめ明確に決まっているわけではない。対象となる作業や現場環境に応じて、手探りで設計していく必要がある。この作業が現場にとって大きな負担になるという。

さらに難しいのは、こうした開発の知見が、実際に取り組まなければ蓄積されない点だ。フィジカルAIでは、対象物、設備、作業手順、現場環境によって必要なデータや開発の進め方が変わる。そのため、外から一般論を学ぶだけでは足りず、実際の案件を通じて、どこで失敗しやすいのか、どの工程に時間がかかるのかを把握していく必要がある。

一方で、この状況は、企業が短期的な費用対効果を求める姿勢とは相性がよくない。成熟しきっていない技術で、開発工程も未整備のため、すぐには効果が表れにくい。そのため投資判断が鈍くなる。投資が進まなければ、開発の知見も蓄積されない。企業がフィジカルAIの実装に踏み出しにくい背景には、こうした状況があるとのことだ。

こうしたPoCで得られた知見をもとに、岡谷鋼機はフィジカルAIの実装時に生じる課題の抽出と、その解決策の整理を進めてきた。現在は、フィジカルAI開発に必要な工程や課題をパッケージ化している。

同社が目指しているのは、フィジカルAIの開発過程で必要になる作業を整理し、顧客が内製で開発を進められるように支援することだ。

樋口氏は、その役割をソフトウェア開発における「Claude Code」になぞらえる。開発工程を効率化し、実装の試行錯誤を進めやすくする。岡谷鋼機は、そうしたフィジカルAI開発の基盤となる存在を目指している。

まずは小さくでもいいので内製化すべき

ここまでで取り上げたように、フィジカルAIは有望な領域である一方で、超えるべきハードルも多い。しかし樋口氏は、まずは小さくてもいいので、今から内製化に取り組むべきだと話す。

ここでいう内製化とは、AIモデルやハードウェアをすべて自社で作るという意味ではない。外部のAIモデルやハードウェアを使いながら、自分たちで手を動かし、何が難しいのか、どこに工数がかかるのか、どのようなデータが必要になるのかを判断できる状態を作るということだ。

フィジカルAIは、短期的な費用対効果だけを見ると、まだ割に合わないように見えるかもしれない。しかし、だからといって取り組まなければ、開発の知見は蓄積されない。フィジカルAIの本当のハードルは、モデルやハードウェアそのものだけでなく、それらを現場に合わせて動かすための開発ノウハウにもある。その意味で、企業にとっては、小さくても内製化に着手することが重要になる。

こうした内製化支援の担い手として立ち上がったのが、冒頭でも触れたmonomythである。フィジカルAI開発で得られた知見をパッケージ化し、内製化能力そのものを顧客企業に提供する新会社として、今後の展開が注目される。

この「自分たちで手を動かして知見をためる」という話は、企業だけに限らない。樋口氏は、「⁠学生や個人開発者にとっても、チャンスがある」と話す。フィジカルAIという言葉から大規模な工場設備や高価なロボットを想像しがちだが、小さく試し始めるハードルは、想像するほど高くないという。

たとえば、SO-ARMのようなロボットアームとサーバーを用意すれば、実際にVLAを動かす環境を作れる。VLAのモデル自体もHugging Faceから取得できる。もちろんハードウェアには一定の費用がかかるが、安価なロボットアームであれば4万～5万円ほど、サーバーは50万円ほどから用意でき、個人がまったく手を出せない価格帯ではないという。

フィジカルAIは、制御工学だけで完結する分野ではない。かといって、機械学習やデータサイエンスの知識だけで取り組める分野でもない。ハードウェア、制御、機械学習、データ作成が重なり合う領域であり、決定的な答えを持っている人がほとんどいない。だからこそ、先行して取り組む余地があると樋口氏は語る。

必要な時間も、データ量も、資金も、まだはっきりとは見えていない。それでも、先が見えない領域だからこそ面白く、今から手を動かして知見を蓄積する価値がある。フィジカルAIが気になる人は、まずは小さく試し始めるところから考えてみるとよさそうだ。