Skip to Content
Docs01. 基礎概念フィジカル AI とロボティクスの概観
初級physical-aimultimodalai-agent更新: 2026-09-10この記事の誤りを報告

この記事を、二人の対話で。

21:55

記事より古い内容です。新しい音声を準備しています。

AI 合成音声 · VOICEVOX Nemo（女声1・男声1）

音声の一覧・再生リストへ

フィジカル AI とロボティクスの概観

この記事の目的

ソフトウェア Agent の知識が、物理世界で動く Agent(ロボット)にどこまで通用し、何が本質的に違うかを説明できるようになります。フィジカル AI(physical AI)の全体像 — VLA モデル・計画と制御の階層構成・世界モデル環境の生成的シミュレーション・行動結果の予測・エージェント訓練/評価インフラという 3 つの用法を持つモデル群の総称。「賢い個体そのもの」ではなく「賢い個体を作るための工場・練習場」として、学習・評価インフラの用法が先行して実用化しつつある。・2026 年時点の成熟度 — を、ソフトウェアエンジニアの語彙で 1 本に圧縮した概観です。ロボットの実装(ROS・制御理論・ハードウェア)には踏み込みません。

対象読者

  • ソフトウェア Agent を学んだうえで、隣接するフィジカル AI の動向を素早く把握したいエンジニア
  • 「ヒューマノイドのニュース」を、デモの印象ではなく構造で評価できるようになりたい人

前提知識

本文

概要: なぜソフトウェアエンジニアが知っておくべきか

フィジカル AI とは、物理世界を知覚し、物理世界に対して行動する AI の総称です。2023 年以降、この分野の中心は「ロボット工学の延長」から「基盤モデルの延長」へ移りました — 視覚・言語の基盤モデルをロボットの行動出力に拡張するアプローチが主流になり、ソフトウェア Agent とよく似た構造(計画層と実行層、ループ、ツール)が現れています。

ソフトウェアエンジニアにとっての要点は 2 つです。第一に、あなたが本ライブラリで学んだ構造の多くがそのまま通用します(次節)。第二に、通用しない 3 点(リアルタイム・不可逆性・データ)が、この分野の難しさの本体です(次々節)。この 2 つを押さえれば、フィジカル AI のニュースを構造で読めるようになります。

ソフトウェア Agent との共通点

2026 年時点の主要なフィジカル AI は、ソフトウェア Agent の設計語彙でかなり正確に説明できます。

本質的に違う点: 3 つの制約

同型性の先にある違いが、この分野の固有の難しさです。

  1. リアルタイム制約: 物理の制御は部位・層に応じて毎秒数十〜数千回の頻度で途切れず続ける必要があり、LLM の推論レイテンシでは間に合いません。だからこそ計画層と制御層の分離が必須で、制御側は小さなモデルをロボット搭載の計算機でローカル実行します。「全部を 1 つの大きいモデルで」が成立しない構造的理由です
  2. 失敗の不可逆性と物理的安全: ソフトウェア Agent の「サンドボックスモデルが生成したコードの実行やコンピュータ操作を、本番システムから隔離された使い捨て環境(ネットワーク・資源制限付き)で行う仕組み。で試して失敗したらやり直す」(ツール権限設計とサンドボックス)という前提が成立しません。転倒・衝突・人への危害は取り消せないためです。対策は、意味的安全(「危険な依頼に従わない」といった常識的制約)と物理的安全(衝突回避・力制限などの下位コントローラ)を別の層として分離する多層防御として体系化されつつあります。ガードレールの「モデルの判断の外側で強制する」という思想を物理的危害にも適用します。日本 AISI が 2026-07-23 に公表した「AI ロボティクスの評価観点ガイド」は、物理環境へ作用するシステムの評価計画を検討する参照先です。認証規格とは区別します
  3. データを「製造」する必要: Web テキストに相当する大規模な行動データは自然には存在しません。テレオペ(遠隔操作)による実演収集、人間の動画からの転移、そしてシミュレーションによる合成データLLM に生成させた評価・学習用のデータ。量とバリエーションを安く稼げる一方、分布の偏りと盲点の共有(生成モデルと評価対象が同系だと弱点が現れない)に注意が必要。生成を組み合わせて、学習データを作るところから始まります。シミュレーション中心の路線と実機データ中心の路線が 2026 年時点で並立しています

VLA モデルの概観

この分野の中核となるモデル類型が VLA(Vision-Language-Action)モデルです。VLM をロボットの実演データでさらに学習させ、視覚入力と言語指示から直接ロボットの行動を出力します。「行動をもう 1 つの言語(トークン列)として扱う」という発想で、2023 年の研究発表(RT-2)がこのパラダイムの起点とされます。従来のロボティクスが知覚・計画・制御を別モジュールで組んでいたのに対し、Web 規模の知識と意味理解がそのまま行動に転移することが転換点でした。

2026-09-10 時点の主要な系統と提供形態は次のとおりです(世代交代が数か月単位で起きる領域のため、系統名レベルで記します。版数・詳細はリポジトリ内 research/supplementary/physical-ai.md の調査メモと各社公式ページを参照)。

系統(開発元)特徴提供形態(2026-09-10 時点)
Gemini Robotics 系(Google DeepMind)具身推論と VLA を組み合わせるモデル供給2026-07-30 発表の ER 2 は AI Studio で提供、Enterprise Agent Platform では private preview。Robotics 2 / On-Device 2 は early-access partner 向け
GR00T 系(NVIDIA)モデル・シミュレーション・エッジ実行の開発基盤N1.7 は GA、重みと参照コードを Apache 2.0 で公開。N2 の 2026 年末提供は予定として区別
π 系(Physical Intelligence)複数の身体・タスクへの汎化を目指すモデル専業openpi の公開モデルに加え、π0.6 のパートナー実導入を報告。一般向け API や最新世代の公開重みは別途確認
Helix 系(Figure)旧 Helix の上半身 35 自由度から、Helix 02 は S2 / S1 / S0 による全身制御へ拡張Figure ロボットでの実証。一般向けの外部モデル提供は確認できていません

旧 Gemini API を使う場合はモデル ID 単位で移行を確認します。公式廃止表は gemini-robotics-er-1.6-preview の API 公開日を 2026-04-14、停止予定日を 2026-08-31、推奨移行先を gemini-robotics-er-2-preview としています。モデルカードモデルの想定用途・非推奨用途・既知の限界・学習データ・評価・ライセンス・ベースモデルなどを記した説明書。ハブでは `README.md` の機械可読メタデータ(`license`・`base_model`)+ 本文として実装される。採用前に必ず読み、`license` と intended/limitations を確認する。データ版はデータシート。の 2026-04-20 とは別の日付です。予定日を経過しているため移行対象とし、実 API の停止確認は別に行います。

読み方の注意が 2 つあります。第一に、条件を揃えた公開評価基盤は存在します。LIBERO は 130 タスクを 4 スイートに分け、openpi は π0.5-LIBERO checkpoint を公開しています。Isaac Lab-Arena も評価基盤の例です。ただし、課題・ロボットの身体構成・シミュレーション条件が違う数値から、異なる実機の汎用能力を順位付けはできません。ベンチマークの読み方に沿って、学習データ、評価スイート、実行条件、実行主体を揃えます。第二に、**世界モデル(world model)**は合成データ生成や方策評価に使われますが、行動方策との結合も研究されています。DreamZero は将来映像と連続行動を共同生成する世界行動モデル将来の映像とロボットの行動を共同生成するモデルの類型です。世界の予測と行動方策を結ぶ研究として、独立追試や対象の身体構成を確認します。(World Action Model、WAM)の研究例です。用途の分類は排他的ではありません。

現在地と展望(2026-09-10 時点)

成熟度は領域と運用条件を分けて読みます。Figure の Helix 02 の 4 分間自律デモはベンダーの実証であり、汎用作業の SLA や第三者評価ではありません。一方、Physical Intelligence の 2026-02-24 のパートナー記事は、Weave の顧客ランドリーと Ultra の顧客倉庫で π0.6 を使う事例を説明しています。人の確認や遠隔介入を含む運用であるため、導入時は介入率・復旧経路・人の対応費用を測ります。

  • 商用初期: 構造化された倉庫環境 × 限定タスク(荷物の移載など)のヒューマノイドは、常時稼働の商用契約(サービスとしてのロボット提供)に到達した事例があります。ただし契約・継続稼働と、業界全体の出荷台数は別に確認する必要があります
  • 量産立ち上げ期: 複数社が 2026 年のヒューマノイド量産開始・消費者向け出荷計画を発表しています。台数・時期の数値はいずれもベンダー自己報告で、第三者検証はありません
  • 研究段階: 「任意の環境で任意のタスクをこなす」汎用ヒューマノイドは研究発表・限定デモの域です。デモが示す汎用性と、商用の品質保証を伴う汎用性の間には大きな距離があります — ソフトウェア Agent で学んだ「デモの罠」(PoC から本番への進め方)と同じ構図です

コンピュータ操作型 Agent画面(スクリーンショット)を観測し、マウス・キーボード操作で GUI を直接操作する Agent の類型。(コンピュータ操作型・マルチモーダル Agent)との関係も押さえておくと見通しが良くなります。画面を観測して GUI を操作する Agent と、世界を観測して身体を動かす Agent は、観測の次元・行動の不可逆性・リアルタイム性が段階的に増していく連続線上にあり、「観測 → 行動のループを、どこまで危険な作用域で回すか」という同じ問いの異なる地点です。

実務での注意点

アンチパターン

  • デモ動画から汎用性を外挿する → デモは選ばれた環境・選ばれた成功例であり、商用の汎用性とは別物 → 「誰が・どの環境で・常時稼働しているか」という商用実績で現在地を判断する
  • ベンダー自己報告の数値を検証済みの事実として引用する → 公開ベンチマークでも実行条件や報告主体が違えば比較できない → 数値には出典・時点・確度(自己報告か第三者か)を必ず付ける
  • ソフトウェアの安全の直感(再試行・ロールバック可能)を持ち込む → 物理世界の失敗は不可逆で、サンドボックスの前提が成立しない → 意味的安全と物理的安全の層分離を前提に評価・設計する
  • 特定バージョンのモデル知識を長期間使い回す → この領域は数か月単位で世代交代する → 系統名 + 時点で把握し、引用前に公式ページで現行世代を確認する

チェックリスト

フィジカル AI の情報を評価・引用するときのチェックです。

関連トピック

参考資料

TODO・未確認事項

  • 量産・出荷に関する数値(台数・時期)は各社の自己報告のみで、第三者検証された統計は確認できていません(詳細な確度は research/supplementary/physical-ai.md を参照)

変わりやすい項目(定点観測)

コンピュータ操作型・マルチモーダル Agent世界モデルの概観