ChatGPTを開けば、文章も資料もコードも、数秒で形になる時代になりました。AIはすでに、私たちの知的作業を大きく変えはじめています。しかし、ふと現実の社会に目を向けると、まだほとんど変わっていない場所があります。工場で部品を組み立てる。倉庫で荷物を運ぶ。農地で作物を育てる。病院や介護施設で人を支える。私たちの暮らしを根底で支えている仕事の多くは、いまも人の手足と経験に依存しています（⁠『⁠60分でわかる！フィジカルAI 最前線』プロローグより⁠）⁠。

こうした「画面の外側」に広がる領域へ、いよいよAIが踏み出そうとしています。それが、世界のテクノロジー業界がいま最も注目する「フィジカルAI」です。ここでは、それがどのような技術であり、私たちの社会に何をもたらすのかを、順を追って整理していきます。

フィジカルAIとは何か——「AIを積んだロボット」という理解では足りない

フィジカルAIとは、端的に言えば、AIが画面の内側を越え、物理世界で「見て、考え、動く」存在へと進化する動きを指します。「⁠つまりはAIを搭載したロボットのことだろう」と受け取られがちですが、その理解だけでは本質を捉えきれません。押さえるべき要点は、2つあります。

1つは、「⁠身体」を備えていることです。カメラやセンサーによって現実世界を捉え、アームや脚によって実際に物へ働きかけられる—⁠—この特性を、専門的には「身体性（エンボディメント⁠）⁠」と呼びます。もう1つは、「⁠自ら考えて動く力」を持つことです。人が動作を一つひとつ指示せずとも、目の前の状況を読み取り、いま何をなすべきかを自律的に判断できる能力を指します。この2つが揃ってはじめて、フィジカルAIと呼ぶにふさわしい存在となるのです。

従来の産業用ロボットは、ミリ単位で管理された環境のもとで、定められた動作を正確に反復する機械でした。作業手順はあらかじめ人間がプログラムとして与える必要があり、照明や物の位置がわずかに変わるだけでも、その認識は容易に狂ってしまいます。これに対してフィジカルAIに求められるのは、人間のように周囲の変化を捉え、未知の環境においても柔軟に振る舞う力です。両者を隔てるのは、まさにこの点にほかなりません。

たとえば、「⁠コーヒーを淹れてほしい」という漠然とした指示を受けたとしましょう。フィジカルAIは、カメラなどの視覚でキッチンの構造を把握し、コーヒーサーバーの位置を推論し、適切な力加減でカップを持ち、こぼさずに注ぐ—⁠—。この一連の動作を、人が細部まで指示せずとも、自ら組み立てて実行します。

こうした振る舞いを支えているのが、従来とは性質を異にする、新しいタイプのAIモデルです。その代表格は2つあります。1つは、画像・言語・センサー情報を統合し、ロボットの動き（軌道・力加減・タイミング）を生成する「VLA（Vision-Language-Action）モデル⁠」⁠。もう1つは、物理法則を踏まえて「この行動をとれば次に何が起きるか」を先読みする「ワールドモデル」です。やや専門的に響きますが、前者は「視覚と言語と身体の動きを一つのAIで結びつける仕組み⁠」⁠、後者は「行動に先立って頭の中で試行する仕組み」と捉えると、理解しやすいでしょう。この2つが組み合わさることで、ロボットは知覚・推論・行動・学習のループを高速に巡らせながら、現場で通用する知能へと近づいていきます。

経済活動のおよそ9割は、いまだ「画面の外」に広がっている

では、なぜいま、フィジカルAIがこれほどの注目を集めているのでしょうか。それを象徴するのが、世界銀行のデータに基づく1つの事実です。世界のGDPのおよそ90%は、依然として製造・物流・建設といった物理世界の経済活動から生み出されている—⁠—。検索、SNS、クラウド、そして生成AIへと、デジタル革命は目覚ましい発展を遂げてきましたが、その効率化が及んだのは、基本的に「画面の内側」の活動でした。裏を返せば、私たちの経済活動のおよそ9割は、いまだデジタル化の恩恵を十分に受けていないのです。

デジタル技術が経済価値を生み出してきた領域は、3つの波として整理できます。第1の波は、Googleに代表される「情報の整理と検索⁠」⁠。第2の波は、ChatGPTなどの生成AIがもたらした「生成・対話と自律的な実行⁠」⁠。そして第3の波が、知能に「身体」と「感覚」を与え、現実空間で自律的に行動させるフィジカルAIです。

第2の波と第3の波の違いは、身近な例に置き換えると明快です。AIエージェントは、旅行プランを立て、航空券やホテルを予約することができます。しかし、そのホテルの部屋を掃除し、ベッドを整えることは、画面の中のAIにはなし得ません。現実の物を動かすための「身体」が、欠かせないからです。

この巨大な未開拓市場に向けて、世界の資本とテクノロジー企業がいっせいに動き出しています。エヌビディアのジェンスン・ファンCEOは「AIの次の波はフィジカルAIである」と明言し、ヒューマノイド（人型ロボット）市場については、ゴールドマン・サックスが2035年に約380億ドル、モルガン・スタンレーが2050年に約5兆ドルという予測を示しています。これは、自動車産業に匹敵する巨大産業の誕生を意味します。

もっとも、この巨大市場は、ようやく幕を開けたばかりです。フィジカルAIは、いかなる技術によって「見て、考え、動く」を実現しているのか。製造、物流、建設、介護といった現場のうち、どこから社会実装が進んでいくのか。さらに、世界のどのプレイヤーが主導権を握ろうとし、ものづくりに強みを持つ日本には、いかなる勝ち筋が残されているのか—⁠—。大きな期待の裏側には、いまこそ押さえておくべき論点が、数多く横たわっています。

フィジカルAIを支える技術の要点から、産業別の最前線、注目プレイヤーの戦略、そして日本の勝ち筋まで—⁠—。図解でコンパクトに整理した『60分でわかる！フィジカルAI 最前線』を通じて、次の10年の全体像をつかんでみてはいかがでしょうか。